视频生成做完之后，真正让人头疼的往往不是“能不能生成”，而是“怎么把画质顶上去”。尤其是人物面部、文字边缘、细节纹理这些区域，一旦被过度压缩，整个视频的质感就垮掉了。传统做法是把帧序列抽出来，一张张图做超分，再拼回视频，流程长、显存压力大、还要处理大量中间文件。这一套下来，可以说已经把做视频的热情消磨得差不多了。
BSAI 60 期推出的这套以 H3-upscale-4K 为核心的视频高清放大超分工作流，本质上就是在解决这件事。它把超分放大、高清修复、面部防崩坏和潜空间重绘优化整合到了一套 ComfyUI 可视化流程里，让视频超分不需要离开 ComfyUI，不需要手工切帧，也不需要反复横跳多个软件。这篇文章会从原理、节点安装、工作流搭建、运行验证和常见问题几个方面，把这套方案拆开讲清楚。
如果你正在折腾视频超分，或者被“放大后脸部崩坏”“潜空间重绘结果不稳定”这些问题卡住，这篇文章值得读完。
1. 这篇文章真正要解决的问题
很多人第一次接触 ComfyUI 里的超分，想的很简单：丢一个放大模型，把分辨率翻几倍，完事。但真正跑完一轮之后往往会发现，视频超分和单张图片超分根本不是一回事。
视频超分有三个非常具体的痛点：
第一是流程断裂。视频本质是帧序列，要做超分就得先拆帧、逐帧处理、再重新合成为视频。拆帧和合帧之间的格式、帧率、编码参数，只要有一个对不上，最终产出的视频就会出现音画不同步、掉帧、画面闪烁等乱七八糟的问题。
第二是显存和性能瓶颈。4K 超分不是把分辨率参数改一改就可以直接跑的。模型推理时的显存开销会随着输出分辨率快速上升，很多人的显卡 8G、12G，想一次性处理高分辨率帧往往直接爆显存。这时候就需要用分块（Tile）策略，把画面切成小块，逐块超分再合并。
第三是面部细节崩坏。这是最致命的一个问题。超分模型对自然场景、建筑、风景的容错率比较高，但对人脸非常敏感。分辨率低、噪声重的人脸，在放大后会出现五官变形、皮肤纹理失真、眼睛位置漂移、嘴巴模糊成一团的情况。小尺寸人脸尤其严重，因为超分模型根本没有足够的像素来判断“这是一张脸，应该保持五官结构”。
BSAI-H3-upscale-4K 这套工作流解决的，正是这三个问题。
我在整理这套方案时的判断是：它的价值不只是一个超分节点，而是把“超分放大”“面部修复”“潜空间重绘优化”组合成一条可以稳定落地的视频后处理流水线。它降低的，是视频画质提升这条链路上最消耗时间、最依赖经验的整合成本。
这篇文章的适用读者：
- 已经在用 ComfyUI 做视频生成，但卡在画质提升环节的创作者。
- 需要批量处理视频素材，希望有一套稳定可复用超分流程的开发者。
- 对潜空间（Latent Space）概念有基本了解，想进一步理解潜空间重绘和像素空间超分区别的人。
- 遇到“面部崩坏”“视频闪烁”“显存不足”等问题，想系统排查的人。
2. BSAI-H3-upscale-4K 的核心概念：超分、潜空间与高清修复
在进入实操前，有必要先把几个核心术语讲清楚。因为很多配置项的含义，都建立在这几个概念之上。
2.1 什么是超分（Super-Resolution）
超分指通过模型算法，从低分辨率图像或视频帧中恢复出高分辨率图像的过程。它的难点不在于“插值放大”，而在于“补细节”。普通的双线性插值、双三次插值只是把像素点变多，画面会变软、发虚，没有真实增加了细节。
模型超分则通过学习大量低分辨率到高分辨率的对应关系，在放大过程中“猜测”出合理的纹理和边缘。这就是为什么超分后的画面看起来更锐利、更接近真实拍摄质感。
在 ComfyUI 中，超分节点通常有两种实现路径：
- 像素空间超分：直接对还原后的像素图做放大处理，常见模型包括 ESRGAN 系列、Real-ESRGAN、4x-UltraSharp 等。
- 潜空间重绘（Latent Upscale）：在 VAE 编码后的潜空间里调整张量尺寸，然后重新采样。这种方式和像素空间操作完全是两个维度。
2.2 潜空间（Latent Space）不是“隐藏空间”
这是新手最容易误解的概念。潜空间并不是什么玄学空间，它是 VAE（Variational Autoencoder）编码器把高维像素数据压缩后得到的低维特征表示。
你可以在脑子里把这个过程理解成“压缩包”：
- 像素空间是一张 1024x1024 的图片，体积大、信息冗余。
- VAE 编码器把这张图压缩成 64x64 或 128x128 的特征图，相当于一个解压后能还原出原图的“压缩包”。
- 扩散模型在这个低维特征图上做去噪、重绘等操作，效率远高于在像素空间直接操作。
- VAE 解码器再把处理后的特征图还原成像素图。
潜空间超分的思路，就是在“压缩包”状态下调整尺寸，再利用扩散模型的生成能力补充细节，最后解码回像素空间。这种方式往往能带来比普通插值更好的语义一致性，因为它是在模型“理解画面内容”的层面做重绘。
但潜空间操作也有代价——它不稳定。潜空间中的每个数值都会影响解码后的像素颜色、结构、纹理。如果直接在潜空间放大尺寸，再暴力重采样，很容易出现结构扭曲、颜色漂移、画面过平滑等情况。这就是为什么需要在工作流里加入一系列控制节点，而不是光秃秃地接一个 Latent Upscale 节点就完事。
2.3 高清修复和“小脸崩坏”
高清修复在视频超分里通常指两个层面的意思：
一是分辨率层面的修复，让低分辨率画面变得更清晰。 二是内容层面的修复，修正放大过程中出现的伪影、噪声、噪声和变形，尤其是人脸区域。
“小脸崩坏”是超分领域一个很经典的失败模式。当画面中的人脸尺寸较小（比如占画面比例的 5% 以下）时，超分模型往往无法正确识别这是人脸，放大后五官会乱掉。
传统规避方案是“脸部局部放大修复”：先用检测算法定位人脸位置，裁剪脸部区域，单独重绘或超分，再融合回原图。这套流程在 ComfyUI 里可以实现，但需要串联检测、裁剪、修复、融合多个环节。BSAI-H3-upscale-4K 的价值点之一，就是把这套流程收敛到可控节点中，并针对潜空间操作下的人脸稳定性做了优化。
2.4 BSAI-H3-upscale-4K 在整个流程中的位置
从命名来看，“BSAI-H3”是节点组名称，“upscale-4K”说明其目标输出是 4K 分辨率，“FAC”大概率指向面部修复相关功能。
从材料反映的信息看，这套节点并非单点功能，而是覆盖以下流程：
- 视频拆帧或直接吃图像序列。
- 超分放大到 4K 目标分辨率。
- 潜空间重绘优化，增强细节和结构稳定性。
- 人脸检测与面部高清修复，抑制小脸崩坏。
- 输出优化后的帧序列或直接合成视频。
这种“组合式节点组”的好处是：你不需要手动维护复杂的节点连线。尤其是在批处理视频帧时，工作流的复用价值非常高。
3. 环境准备与前置依赖
在安装节点之前，先确认本机环境是否满足基本要求。以 ComfyUI 生态常见实践为准，版本细节以你本机实际情况为准，不用死磕某个数字。
3.1 基本环境要求
| 项目 | 建议要求 | 说明 |
|---|---|---|
| 操作系统 | Windows 10/11、Ubuntu 20.04+ | 本文章以 Windows 演示为例，Linux 命令思路一致 |
| GPU | NVIDIA 显卡，显存 8G 起步，推荐 12G+ | 4K 超分 + 潜空间重绘显存压力较大；显存不足需配合 Tiled 策略 |
| 驱动 | NVIDIA 最新稳定版驱动 | 确保 CUDA 可用 |
| Python | 跟随 ComfyUI 自带环境即可 | 不建议单独手动装全局 Python 再拼装环境 |
| ComfyUI | 保持更新到较新版本 | 自定义节点对 ComfyUI 版本有一定要求 |
| ComfyUI-Manager | 强烈推荐安装 | 用于节点安装、缺失节点检测与更新 |
3.2 确认 ComfyUI 能正常启动
这部分不需要重新安装，先确认基础环境是通的。命令行进入 ComfyUI 目录，执行启动命令：
# Windows python main.py # 如果使用 ComfyUI 桌面版或整合包，根据你的启动脚本启动即可启动成功后，浏览器访问http://127.0.0.1:8188，能看到工作流界面就算正常。
3.3 安装缺失的自定义节点
在 BSAI-H3-upscale-4K 相关工作流加载时，如果界面提示缺少节点，会有类似这样的错误信息：
要安装缺失的节点，请先在你的 python 环境中运行 pip install -u --pre comfyui-...这段提示的意思是：某些自定义节点依赖了额外的 Python 包，这些包没有随 ComfyUI 一起安装。你需要根据提示安装对应依赖。
一种稳妥的做法是打开 ComfyUI 的目录，找到python_embeded（Windows 整合包常见）或对应的虚拟环境，然后执行：
# 进入 ComfyUI 内置 python 环境目录（Windows 整合包路径示例） cd python_embeded # 安装缺失的 Python 依赖包 python.exe -m pip install -U --pre 包名这里有个容易踩坑的点：不要直接在本机全局 Python 环境里安装这些依赖。因为 ComfyUI 整合包内置的 Python 是独立的，你全局装了也没用，运行 ComfyUI 时不会加载到全局环境变量。
如果使用 ComfyUI-Manager，可以在界面右上角找到“Manager”按钮，进入后选择“Install Missing Custom Nodes”（安装缺失自定义节点），它会列出缺失节点和对应仓库，一键安装，比手工 Git 克隆更省事。
3.4 获取 BSAI-H3-upscale-4K 节点本身
如果项目作者通过 Git 仓库发布，可以在ComfyUI/custom_nodes/目录下执行 Git 克隆。具体仓库地址建议以 BSAI 项目官方发布页为准，这里不编造链接。
通常命令格式如下：
cd custom_nodes git clone 仓库地址克隆完成后，重启 ComfyUI。如果节点成功加载，工作流的节点列表中就会出现 BSAI H3 相关节点。
需要注意：自定义节点版本和主分支经常有更新。复现别人的工作流时，尽量保持 ComfyUI、ComfyUI-Manager、自定义节点三者版本一致，否则容易出现“节点存在但报错”的情况。
4. 核心流程拆解：从视频帧到 4K 高清视频
在 ComfyUI 里跑视频超分，最核心的设计思路是“先拆帧，再逐帧处理，最后合成视频”。但 BSAI-H3-upscale-4K 这类节点组的工作方式，往往是把中间过程封装在节点里，让你只关注输入和输出。
从功能逻辑上，我把整个流程拆成五步。
4.1 拆帧与视频输入处理
这是视频超分链路的起点。在 ComfyUI 中，如果你想要借助图像超分节点处理视频帧，通常需要先把视频拆成帧序列，或者使用内置的 Video Loader 节点直接读取视频。
拆帧的两个关键参数：
- 帧率：保持一致，不要在拆帧时改变帧率，否则合成视频时长会变化。
- 帧格式：推荐保存为 PNG 无损格式，避免再次压缩引入噪点。
如果你处理的是 1080P 视频，一秒钟 30 帧，处理完再合成，输出大约 90 秒的视频，拆帧数就是 2700 张。批量处理时，检查显存占用率并选择合适的批大小，减少爆显存风险。
4.2 低分辨率帧分析
在超分前，可以先对输入帧做一次分析，判断哪些区域是高频细节区，哪些是平滑区域，尤其是人脸位置的识别。之所以这么做，是因为盲目的全图超分会带来一个副作用：把噪声、压缩伪影一起放大。
在人脸区域针对性增强，背景区域适度处理，能大大改善视觉质量，同时节省计算量。你的工作流中如果有关键节点做“检测”，这就是它在做的事。
如果帧本身是从视频压缩得到的，通常会有较为明显的块效应和振铃效应。直接丢给超分模型会放大这些伪影，所以建议先做一个轻度降噪，让超分模型面对更“干净”的输入。
4.3 潜空间重绘优化
在潜空间做尺寸调整和重绘，为的是补充像素空间超分无法生成的细节。
在 ComfyUI 中，潜空间尺寸的调整可以用 Latent Upscale 类节点完成，也可以直接用 VAE Encode 后接 KSampler 重新采样。区别在于：
- 直接 Latent Upscale：只改变潜空间张量的宽高，速度极快，但它不产生新细节，只是把特征图插值放大。
- 终采样：在放大后的潜空间上继续采样，扩散模型会结合提示词补出新细节，是一种“重绘”行为。
BSAI-H3 工作流通常会在某个阶段进入潜空间重绘，以提升画质，但这里也是最容易出问题的环节。重绘步数太高画面会偏离原构图，太低则细节补不上去，CFG 太大容易色彩过饱和。这些参数在实际使用中需要反复调。
4.4 高清修复与面部防崩坏
这一步是整个工作流的“安全网”。人脸区域检测、裁剪、局部超分重绘、融合回原图。一个稳定的人脸修复模块，需要处理好：
- 检测精度，避免漏检或误检。
- 修复强度，强度太高人脸会变“假人”，太低无法修正畸形。
- 融合边缘，周围过渡要自然，不能一眼看出拼接痕迹。
4.5 视频合成
所有帧处理完成后，以指定帧率、编码、码率合成为最终视频。
ComfyUI 中有视频输出节点可以完成此操作，如果你流程中有专门的 VHS（Video Helper Suite）节点，也可以用它自定义更多编码参数。合成后建议检查几个指标：分辨率、帧率、编码格式、音轨是否存在。
再次强调：单纯拆帧做图像超分再合成，通常不会保留音频，依赖额外的音频处理把它找回来。
5. 完整示例：搭建一个可复用的 4K 视频超分工作流
下面我给你一套完整的最小可用工作流思路。具体参数以实际节点名称为准，重点演示设计思路和配置方法。
5.1 思路一：纯像素空间超分链路
这是最稳妥、最容易控制画质的方式，适合第一次尝试 4K 视频超分的用户。
关键节点连接：
Load Video -> VHS_VideoGetFrame -> UpscaleModelLoader(Model: 4x-UltraSharp) -> ImageUpscaleWithModel -> VHS_VideoCombine参考工作流 JSON 片段：
{ "1": { "class_type": "VHS_LoadVideo", "inputs": { "video": "C:/Users/yourname/Videos/input.mp4", "force_rate": 0, "force_size": "Disabled" } }, "2": { "class_type": "VHS_VideoGetFrame", "inputs": { "video": ["1", 0], "frame_load_cap": 300 } }, "3": { "class_type": "UpscaleModelLoader", "inputs": { "model_name": "4x-UltraSharp.pth" } }, "4": { "class_type": "ImageUpscaleWithModel", "inputs": { "upscale_model": ["3", 0], "image": ["2", 0] } } }这段 JSON 的作用是把视频输入帧，用超分模型放大。frame_load_cap控制处理的帧数上限，这里的 300 是一个示例，你可以改成更大的值，或者设为 0 表示不限制。实际生产时如果要跑完整个视频，可以直接用frame_load_cap配合视频长度来设置。
这只是一个最小验证链路。工程的完整链路中，我会把帧读取、图像修复、超分放大、帧合成分开成四个模块，方便逐步验证。
5.2 思路二：潜空间重绘 + 像素空间超分混合链路
这个思路更接近 BSAI-H3 系列节点的设计理念：先在潜空间做一次重绘优化，再把潜空间解码回像素图，最后用像素级超分模型放大到 4K。
关键阶段代码参考：
{ "encode": { "class_type": "VAEEncode", "inputs": { "pixels": ["preprocessed_image", 0], "vae": ["vae_loader", 0] } }, "latent_upscale": { "class_type": "LatentUpscale", "inputs": { "samples": ["encode", 0], "upscale_method": "nearest-exact", "width": 1920, "height": 1080 } }, "sample": { "class_type": "KSampler", "inputs": { "model": ["checkpoint_loader", 0], "positive": ["positive_conditioning", 0], "negative": ["negative_conditioning", 0], "latent_image": ["latent_upscale", 0], "seed": 42, "steps": 20, "cfg": 7.0, "sampler_name": "dpmpp_2m", "scheduler": "karras", "denoise": 0.4 } } }这段配置里有几个参数需要解释：
denoise: 0.4：重绘强度。0.4 表示保留 60% 原画面结构，只对 40% 的细节做重新生成。如果你发现画面偏离原图，把 denoise 调低；如果细节补充不足，可以稍微调高。steps: 20：采样步数。用于潜空间重绘时 20 步足够。步数提高会增加细节，但也会拖慢速度、增加画风改变风险。cfg: 7.0：提示词遵循程度。太高颜色容易过饱和，太低画面可能平淡。
这里有新手经常踩的坑：很多用户直接复制别人的重绘参数，结果出来的画面跟自己想要的完全不一样。原因是潜空间重绘对 denoise 参数非常敏感，而 denoise 参数又没有“全局唯一最优值”，它取决于原始画面的清晰度和目标风格差异。
如果原画面已经很清晰，只想略微增强细节，denoise 建议控制在 0.3 到 0.5 之间。 如果原画面非常模糊，需要较大程度重绘，可以尝试 0.5 到 0.6，但必须配合人脸修复节点，防止结构崩塌。
5.3 思路三：完整 BSAI-H3 节点组工作流
如果你已经成功安装了 BSAI-H3-upscale-4K 节点组，工作流的搭建方式会更简洁，类似这样一个输入输出链路：
视频/图像序列输入 -> BSAI H3 Upscale 主节点（超分 + 高清修复 + 潜空间优化） -> 视频输出具体节点名称和可选参数，以项目仓库的 README 和工作流示例图为准。不同版本节点组，入口参数可能不同，但核心参数通常围绕以下几点：
- 目标分辨率：如 3840x2160。
- 放大模型选择：如 4x-UltraSharp、Real-ESRGAN 等。
- 面部修复开关和强度。
- 潜空间重绘步数和 denoise 值。
- Tiled 分块大小和重叠区域设置。
在使用这类组合节点组时，我建议你仍然保留 VHS 视频输入输出节点，不要在节点组内部做视频编码。因为视频编码涉及大量细节参数，和节点的解耦程度越高，对调试越友好。
6. 运行结果与效果验证
工作流搭建完成后，如何判断它“跑成功了”？这里有一个常见误区：只要节点没有报错、视频生成了，就算成功。其实不然，画质提升和画质劣化之间，往往只有几个参数的距离。
6.1 运行命令
在 ComfyUI 界面中，点击“Queue Prompt”运行当前工作流。如果使用命令行方式，确保 ComfyUI 处于服务状态即可。
如果是批处理，在节点里设置好首帧、末帧和步进帧，提交任务后你可以看到 ComfyUI 的后端输出日志。每次节点执行成功，日志中会显示执行时间和内存占用。
6.2 预期的输出结果
以 1080P 输入视频，运行 4K 超分工作流为例，最终输出应该是：
- 分辨率 3840x2160。
- 帧率与输入视频一致。
- 画面细节增加，噪声减少。
- 人脸边缘清晰，五官无明显变形。
- 无闪烁、无异常颜色偏移。
推荐逐帧观察，而不是只看首尾两帧。视频闪烁问题往往出现在中段帧上。如果只想快速验证流程，先设置frame_load_cap为 30，输出一个 1 秒测试视频片段，确认画面稳定后，再跑全片。
6.3 效果判断方法
建议抽 3 到 5 帧做横评，对比原始帧、普通插值放大帧、模型超分帧的细节表现，关注头发丝、织物纹理、文字边缘、人脸五官等强结构区域。如果超分后的帧率低于预期，先看视频编码参数和帧率设置，别动模型参数。
6.4 如果效果不理想
优先调整顺序：
- 换超分模型，比如把 4x-UltraSharp 换成 Real-ESRGAN，不同模型对视频噪点处理风格差异很大。
- 调整 denoise 强度。
- 调节 Tiled 分块大小。
- 检查工作流中是否有无意添加的滤镜、调色节点。
不建议一上来就加多个模型串联，这会增加不确定性和计算开销。
7. 常见问题与排查思路
视频超分工作流传出的报错信息非常多，这里整理几个高频问题，按“问题现象 / 可能原因 / 排查方式 / 解决方案”的顺序列出，方便你直接定位。
| 问题现象 | 可能原因 | 排查方式 | 解决方案 |
|---|---|---|---|
| 加载工作流时提示缺少节点 | 自定义节点仓库未安装，或依赖 Python 包缺失 | 查看弹窗中缺失的节点名称，打开 ComfyUI-Manager 确认安装状态 | 使用 ComfyUI-Manager 安装缺失节点，手动安装提示的 Python 依赖包 |
| 启动 ComfyUI 后新节点不显示 | 节点放在错误目录，或未重启 | 检查 custom_nodes 目录位置，确认启动时是否加载报错 | 重新克隆到 custom_nodes 目录并重启 |
| 视频处理到一半显存不足 | 批大小过大，或 Tiled 分块过大 | 观察任务管理器显存占用拐点 | 减小批大小，开启 Tiled 分块，降低分块尺寸 |
| 放大后画面模糊，细节不增加 | 使用的模型本身偏向平滑，或者放大倍数超过模型能力 | 对比多个超分模型的效果 | 更换细节恢复能力更强的超分模型，配合潜空间重绘增强细节 |
| 人脸五官变形、像“融化” | 超分模型无法正确识别小尺寸人脸 | 观察变形是否集中在面部区域 | 开启或调高面部修复强度，单独裁剪面部区域修复后融合回原图 |
| 输出视频出现闪烁 | 单帧独立重绘导致帧间一致性差 | 连续播放相邻帧对比画面整体亮度、色偏是否跳变 | 将潜空间重绘的 denoise 调低，尽量在像素空间使用相同的模型参数 |
| 合成视频没有声音 | 视频合成节点不会自动合并音轨 | 观察原始视频是否携带音轨，检查输出文件大小 | 分离出原始音轨，用 ffmpeg 合入最终视频 |
| 报错“找不到模型文件” | 超分模型未放入 models/upscale_models 目录 | 检查模型目录文件名是否完整 | 下载对应模型文件，放入正确目录并重启 ComfyUI |
有一个容易忽略的坑：在视频超分场景中，如果使用潜空间重绘，每次 KSampler 重绘时采样种子 seed 是随机的，会导致相邻两帧脸型、纹理不一致。这些差异单帧静态看也许很难发现，但连续播放时就会出现“抖动”或“闪烁”。
解决方案是固定种子，或者通过控制帧间一致性节点来约束变化范围。种子固定后，画面稳定性会明显提高。这也可以解释为什么有些视频超分工作流在代码里专门对 seed 做了一次控制。
8. 最佳实践与工程建议
视频超分并不只是“调参数、点生成”。真正运行几轮之后，我总结了下面几条判断依据，希望帮你少走弯路。
8.1 视频和单图超分是两种策略
不要试图用单图超分的心态去处理视频。视频超分需要更保守的参数，尤其是潜空间重绘强度。如果追求画面稳定，宁可细节少一点，也不要在每帧上做高强度重绘。
理解这一点很关键：单帧重绘的随机性是帧率稳定的最大隐患。
8.2 分块处理是显存不够的出路
如果你的显卡显存不够一次性放大到 4K 分辨率，可以开启 Tiled 分块。把画面切成 512x512 或 1024x1024 的小块，逐块超分，合并输出。分块重叠区域建议设置为 8 到 32 像素，避免拼接缝隙。
分块尺寸越少，显存压力越小，但处理时间变长。一般推荐先从 1024 尺寸开始调试，再根据实际情况调整。
8.3 先跑通最小闭环，再全片处理
强烈建议任何工作流都先设置极低的帧数上限，比如 10 帧，先跑通整个流程。这样可以快速暴露链路中的显存问题、模型缺失问题、参数错误问题。
全片处理相当于一个长任务，中途报错会浪费大量时间。
8.4 为不同场景保存独立配置
例如：
- 风景视频超分：重在整体纹理复原，Tiled 分块尽可能大，潜空间重绘步数可以减少，降低闪烁。
- 人物讲话视频超分：重在面部稳定性，面部修复强度高，重绘 denoise 较低，固定种子。
- 动漫视频超分：关注线条和色块边缘，尽量选择动漫向超分模型。
建议针对这几种场景分别保存不同的工作流 JSON 文件，不要每次现场调参。
8.5 善用 ComfyUI-Manager 管理依赖
安装自定义节点后，“更新节点”按钮是不是显眼？其实最有用的反而是它的“缺失节点安装”功能。每次加载工作流后别急着运行，看一眼右侧是否跳出紫色缺失节点提示，及时安装缺失依赖，比链路中断后在日志里查半天强得多。
如果某个节点依赖特定版本，ComfyUI-Manager 也可以用 git 分支和版本锁定功能，把 node 锁定在稳定版本上，避免上游更新打断你的工作流。
9. 总结与后续实践方向
BSAI-H3-upscale-4K 这套方案的价值，在于把视频超分从“拆帧、逐张修图、拼视频”的繁琐流程，压缩成 ComfyUI 内部的节点化工作流。它整合了超分放大、高清修复、潜空间重绘优化和人脸防崩坏等关键环节，能够明显提升视频后期处理效率。
要让这套流程真正可用，你确实需要理解潜空间和像素空间的区别，知道 denoise 重绘强度对帧间稳定性的影响，也要能冷静处理节点缺失、显存不足、面部崩坏等常见问题。这些知识不是一次配置就能掌握的，需要在实际项目中逐步积累。
下一步的实践建议：
先找一个 10 秒左右的低分辨率人像视频，按照本文 5.1 的最小链路跑通整条流程，验证基础超分能力。然后再逐步叠加潜空间重绘、面部修复和 Tiled 分块，结合你自己的显卡显存情况，找出一套平衡画质和性能的参数组合。
视频超分在 ComfyUI 里是一项非常吃实践经验的工程活。第一次跑通流程只是起点，真正有价值的是你对参数的理解、对报错的处理速度，以及对不同模型风格的判断力。希望这篇文章能帮你把基础打牢，节省后续摸索的时间。
