.ai

i migliori modelli di IA open source

Cerca

Nodo Upscale Latent and Upscale Latent By in ComfyUI

Upscale Latent ridimensiona un latent a una nuova dimensione (o per un fattore) così un secondo KSampler può aggiungere dettagli a risoluzione più alta: il classico fix per l’alta risoluzione.

Pacchetto di nodi: ComfyUI core

Categoria: Latente

Cosa fa Upscale Latent and Upscale Latent By

Generare immagini grandi in un solo passaggio crea soggetti duplicati, quindi i flussi di lavoro di ComfyUI generano immagini piccole, ingrandiscono il latent e campionano di nuovo con un basso denoise. Upscale Latent prende un LATENT e una larghezza e altezza target; Upscale Latent By prende invece un fattore di scala. Entrambi offrono interpolazioni nearest-exact, bilinear, area, bicubic e bislerp.

L’ingrandimento del latent è economico ma da solo risulta sfocato; il secondo passaggio del sampler con denoise 0.4-0.6 è quello che ripristina la nitidezza e aggiunge dettagli. Per risultati più puliti molti decodificano, ingrandiscono in pixel con un modello ESRGAN e ricodificano; l’ingrandimento del latent è più veloce e mantiene più dell’aspetto originale.

Ingressi

Nome	Tipo	Cos'è
samples	LATENT	Il latent dal primo sampler.
upscale_method	COMBO	nearest-exact, bilinear, area, bicubic o bislerp.
width / height (Upscale Latent)	INT	Dimensione pixel target.
scale_by (Upscale Latent By)	FLOAT	Fattore, per esempio 1.5 o 2.0.
crop	COMBO	disabilitato o centro, quando cambia il rapporto d’aspetto.

Uscite

Nome	Tipo	Cos'è
LATENT	LATENT	Il latent ingrandito per un secondo KSampler.

Salta la configurazione: workflow ComfyUI preinstallati sul cloud

BitVector esegue workflow ComfyUI pronti all'uso sulle proprie GPU. Niente installazione, niente nodi mancanti, niente riquadri rossi. Aprilo dal telefono o dal portatile e genera in un minuto.

Prova BitVector

Come usare Upscale Latent and Upscale Latent By

Primo KSampler a dimensione nativa, denoise 1.0.
Upscale Latent By, scale_by 1.5, metodo bislerp o bicubic.
Secondo KSampler con lo stesso modello e prompt, denoise 0.45-0.55, 15-20 passi.
Decodifica VAE del secondo latent.

Impostazioni e consigli

1.5x è il punto giusto; ingrandimenti 2x del latent richiedono denoise 0.55+ per recuperare dalla sfocatura.
bislerp e bicubic danno i latenti più morbidi; nearest-exact mantiene bordi netti per pixel art.
Usa lo stesso seed in entrambi i sampler per coerenza, o uno diverso per più variazioni.
Abbassa il cfg del secondo passaggio di 1 per evitare troppo contrasto.

Risoluzione dei problemi di Upscale Latent and Upscale Latent By

Il risultato ingrandito è morbido o sfocato

Perché succede

Nessun secondo passaggio del sampler dopo l’ingrandimento del latent, o denoise troppo basso (sotto 0.35).

Come risolverlo

Aggiungi un KSampler dopo l’ingrandimento con denoise 0.45-0.6.

Il secondo passaggio cambia completamente l’immagine

Perché succede

denoise troppo alto (oltre 0.7) o prompt/cfg diversi nel secondo sampler.

Come risolverlo

Abbassa il denoise a 0.5 e usa gli stessi prompt, modello e cfg del primo passaggio.

Dopo l’ingrandimento compaiono arti extra o dettagli raddoppiati

Perché succede

Il secondo passaggio gira a una dimensione molto più alta di quella usata per l’addestramento del modello con un denoise alto.

Come risolverlo

Ingrandisci 1.5x invece di 2x, abbassa il denoise, o aggiungi un ControlNet Tile per fissare la composizione.

Esegui questo workflow dal telefono

Ogni workflow di questa pagina è preinstallato su BitVector con modelli e nodi personalizzati già al loro posto. Scegline uno, scrivi un prompt, fatto. Zero configurazione, niente da scaricare.

Prova BitVector

Domande su Upscale Latent and Upscale Latent By

Latent o pixel upscale?

Il latent è più veloce e mantiene lo stile; il pixel (ESRGAN) più ricodifica dà dettagli fini più nitidi. Molti flussi di lavoro fanno pixel upscale e poi un passaggio leggero di sampling.

Perché esiste bislerp?

Interpola su una sfera, che si adatta meglio ai valori normalizzati del latent rispetto a una fusione lineare.

Nodi correlati

KSampler

ComfyUI core

KSampler esegue il ciclo di denoising: prende il modello, i prompt e un latente e produce l'immagine latente finita, controllata da seed, passi, cfg, sampler, scheduler e denoise.

Upscale Image (using Model)

ComfyUI core

Upscale Image (using Model) esegue un upscaler in stile ESRGAN (4x-UltraSharp, RealESRGAN, 4x_NMKD-Siax, 4x_foolhardy_Remacri) su un'IMAGE e la restituisce ingrandita del fattore fisso del modello con dettagli aggiunti.

VAE Decode

ComfyUI core

VAE Decode trasforma il LATENT campionato in un'immagine a pixel usando il VAE; VAE Decode (Tiled) fa lo stesso a pezzi per immagini molto grandi.

Ultimate SD Upscale

ComfyUI_UltimateSDUpscale

Ultimate SD Upscale ingrandisce un'immagine con un modello ESRGAN, poi la riprocessa a pezzi tramite il modello di diffusione con il tuo prompt a basso denoise, aggiungendo dettagli reali da 2x a 4x senza esaurire la VRAM.

Stanco di riparare nodi? Lascia fare al cloud

BitVector mantiene centinaia di workflow ComfyUI installati, aggiornati e testati su GPU cloud veloci. Niente Python, niente errori CUDA, niente limiti di VRAM. Funziona da qualsiasi browser.

Prova BitVector