在AI图像生成领域，追求更高分辨率和更丰富的细节是创作者永恒的目标。然而，直接使用Stable Diffusion模型生成4K甚至更高分辨率的图像时，往往会面临两个严重问题：一是显卡显存迅速耗尽导致程序崩溃，二是模型在超出训练分辨率范围后生成的图像出现结构崩坏或多头多肢的怪异现象。为了解决这一痛点，ComfyUI社区开发了Ultimate SD Upscale节点，它通过巧妙的分块重绘策略，让模型在小分辨率下保持正常几何结构的同时，无限拓展图像细节。本文将带你从零开始搭建一套高效的分块放大工作流。
一、Ultimate SD Upscale节点核心原理解析
要理解这个节点的价值，首先需要明白为什么直接放大效果不佳。Stable Diffusion模型本质上是在固定分辨率（如512x512或1024x1024）下训练的。当试图直接生成2048x2048的图像时，模型会尝试在全局范围内寻找特征，但由于感受野的限制，它无法理解如此大范围的空间关系，从而生成重复的纹理或畸变的主体。Ultimate SD Upscale节点的核心思路是化整为零，它不会让模型一次性处理整张大图，而是将低分辨率图像放大后，切分成多个重叠的小块。
具体而言，该节点接收一个低分辨率的潜在空间表示或图像，将其按设定的宽高切分成网格状。每个小块的尺寸通常设定为模型最擅长处理的分辨率（如512x512或1024x1024）。在处理每个小块时，节点会利用重叠区域的像素信息作为上下文，通过VAE编码后送入KSampler进行局部重绘，最后再通过VAE解码并使用羽化遮罩将所有小块无缝拼接回大图。这种机制不仅将显存占用控制在了单张小块的级别，还保证了每个局部区域都能得到模型最精细的刻画。
理解节点参数是掌控分块放大效果的关键。其中，tile_width和tile_height决定了切块的大小，通常建议设置为512或1024，具体取决于你的显存容量。mask_blur参数尤为重要，它控制着重绘小块边缘的羽化程度，适当增大该值可以有效消除拼接缝隙。padding参数则决定了切块时向外扩展的像素量，扩展越大，模型获取的上下文信息越多，但计算量也会相应增加。
二、分块放大工作流搭建详细步骤
搭建工作流的第一步是准备基础生成节点。我们需要一个标准的文生图工作流作为前置，用于生成一张构图完整、主体明确但分辨率较低的基础图像。这通常包括Checkpoint模型加载器、CLIP文本编码器、空潜在图像创建节点以及基础的KSampler。基础图像的质量直接决定了最终放大效果的上限，因此在这一步需要调整好提示词和采样步数，确保基础图像没有明显的结构错误。
接下来是引入Ultimate SD Upscale节点。将该节点连接到基础工作流的输出端。它需要接收多个输入：模型连接基础模型，正向和负向提示词连接CLIP文本编码器的输出，latent_image连接基础KSampler的输出。同时，为了提升放大后的清晰度，通常会在前面串联一个放大模型节点（如ESRGAN或4x-UltraSharp），先将基础图像放大1.5到2倍，再送入Ultimate SD Upscale进行分块重绘。
为了防止分块重绘时各个小块之间出现风格不一致或色彩断层，强烈建议引入ControlNet Tile模型。将ControlNet Apply节点串联进工作流，加载专门用于放大的Tile控制网络。Tile ControlNet会提取基础图像的结构和色块信息，在重绘每个小块时作为强约束条件，确保局部重绘不会偏离原图的整体布局。以下是该工作流核心节点连接逻辑的JSON表示片段，展示了关键的数据流向。
{
"class_type": "UltimateSDUpscale",
"inputs": {
"image": ["LatentToImage", 0],
"model": ["CheckpointLoaderSimple", 0],
"positive": ["CLIPTextEncode", 0],
"negative": ["CLIPTextEncode", 1],
"vae": ["CheckpointLoaderSimple", 2],
"tile_width": 512,
"tile_height": 512,
"mask_blur": 8,
"padding": 32,
"denoise": 0.4
}
}三、提升放大质量的提示词与参数优化策略
在分块放大阶段，提示词的运用策略与基础生成阶段有所不同。由于模型此时是在处理局部区域，过于宏观的提示词可能无法精确指导细节生成。因此，除了保留基础的全局提示词外，还需要在提示词中增加大量描述材质、纹理和微观细节的词汇。例如，如果基础图像是一个人物肖像，在放大阶段应增加诸如皮肤毛孔、发丝光泽、布料编织纹理等高细节描述词，引导模型在局部重绘时填充逼真的微观结构。
采样器与降噪强度的选择直接关系到放大效果的自然程度。在Ultimate SD Upscale的KSampler设置中，降噪参数通常设置在0.3到0.5之间。如果设置过低，重绘效果不明显，图像依然显得模糊；如果设置过高，模型会过度发挥，破坏原图的构图和人物特征。采样器推荐使用DPM++ 2M Karras或Euler a，这些采样器在处理局部细节时能够提供更平滑的过渡和更锐利的边缘。
在实际操作中，常会遇到显存不足或拼接痕迹明显的问题。针对显存溢出，最直接的方法是减小tile_width和tile_height，或者降低mask_blur的值。如果发现拼接缝隙明显，不要盲目增加mask_blur，而应检查是否启用了ControlNet Tile约束，以及VAE模型是否与基础大模型匹配。有时，将放大过程拆分为两步，先放大1.5倍再放大到目标分辨率，能有效缓解模型压力并提升最终画质。通过不断调整这些参数组合，你将能够稳定输出极具视觉冲击力的超高清AI艺术作品。
ComfyUIUltimate SD Upscale分块放大修改时间：2026-08-28 00:01:12