企业官网建设流程全解析

• 人工智能
• 计算机视觉
• 图像处理
• 媒体生成

本篇技术指南围绕 ComfyUI_UltimateSDUpscale 仓库中的Ultimate SD Upscale (No Upscale)节点展开。该节点跳过基于放大模型的初始放大步骤，直接对一张"已经放大好的图像"执行分块（tiled）image-to-image 重绘与接缝修复（seam fix）。读完后，你将掌握该节点的完整输入参数体系、redraw 与 seam fix 两阶段处理流程、平铺模式与接缝修复策略的选择方法，以及从源码层面理解每个参数如何影响分块采样、VAE 解码与边缘合成的实现细节。

上图来自仓库的basic-usdu模板工作流（见 示例工作流），展示的是同族主节点UltimateSDUpscale的标准用法；Ultimate SD Upscale (No Upscale)是它的变体，工作流接入方式一致，只是输入端不需要UpscaleModelLoader，而是直接喂入一张已放大的图像。节点在 ComfyUI 节点菜单中位于image/upscaling分类下。

节点定位：只做精修，不做放大

Ultimate SD Upscale (No Upscale)对一张已经放大的图像应用分块 image-to-image 处理，用于增强细节和修复接缝，但不执行基于 upscale model 的初始放大步骤。

官方文档（js/docs/UltimateSDUpscaleNoUpscale.md）明确的设计目标是：当你已经拥有一张放大好的图像，只想应用 tiled redraw（分块重绘）和 seam fix（接缝修复）步骤时，使用这个节点变体。典型场景包括：

• 你已经用其他方法或上采样器放大了图像，想利用 USDU 的分块精修能力来补充细节、消除伪影；
• 你希望将"放大"与"精修"解耦，对两个阶段分别拥有更细的控制（例如放大用算法插值或另一个模型完成，精修才用扩散模型）；
• 你不想占用一个 upscale model，而是先用 Lanczos、Nearest Neighbor 这类算法完成简单放大，再用本节点做细节增强。

源码层面的实现：一个"瘦身版"主节点

从 usdu_nodes.py 的源码结构看，UltimateSDUpscaleNoUpscale并不是独立实现，而是UltimateSDUpscale主节点类的子类，通过重写INPUT_TYPES与upscale两个方法完成"瘦身"：

class UltimateSDUpscaleNoUpscale(UltimateSDUpscale): @classmethod def INPUT_TYPES(s): required, optional = USDU_base_inputs() remove_input(required, "upscale_model") remove_input(required, "upscale_by") rename_input(required, "image", "upscaled_image") return prepare_inputs(required, optional) def upscale(self, upscaled_image, model, positive, negative, vae, seed, ...): upscale_by = 1.0 ... return super().upscale(upscaled_image, model, positive, negative, vae, upscale_by, seed, steps, cfg, sampler_name, scheduler, denoise, None, mode_type, tile_width, tile_height, mask_blur, tile_padding, seam_fix_mode, seam_fix_denoise, seam_fix_mask_blur, seam_fix_width, seam_fix_padding, force_uniform_tiles, tiled_decode, batch_size)

（见 usdu_nodes.py）

这段代码完整印证了文档中的两个核心事实：

1. 不做放大：输入端移除了upscale_model和upscale_by两个参数，图像输入被重命名为upscaled_image，并把upscale_by硬编码为1.0、upscale_model传None给父类——因此节点内部根本不会发生尺寸变化，输入尺寸即输出尺寸；
2. 复用了主节点的全部精修管线：除放大外的所有参数（采样参数、平铺参数、seam fix 参数、force_uniform_tiles、tiled_decode）与主节点完全一致，走同一条底层处理链。

两个节点共享的输入定义集中在 USDU_base_inputs 函数中，这也是下一节参数表的来源。

处理流程：redraw 与 seam fix 两个阶段

redraw 阶段（分块重绘）

当平铺顺序（tiling order，即mode_type参数）没有设置为 "None" 时，图像会进入 redraw 步骤：按照平铺顺序和节点上的 tile 参数从图像中选取一块 tile；以该 tile 作为 image-to-image 过程的输入，使用节点上的采样相关参数（seed、steps、cfg、sampler、scheduler、denoise）执行一次采样；然后把结果 tile 按正确位置贴回图像。如此循环，直到所有 tile 处理完毕。

seam fix 阶段（接缝修复）

redraw 完成后，如果启用了接缝修复（seam_fix_mode不为 "None"），还会执行 seam fix 步骤。seam fix 支持多种策略，由seam_fix_mode参数定义。它与 redraw 使用同一个image-to-image 过程，只是作用区域换成了 redraw 阶段 tile 之间的缝隙区域。

每个 tile 的底层处理链

从 modules/processing.py 中process_images函数的源码结构看，每一个 tile（无论属于 redraw 还是 seam fix）都会经历如下管线（见 modules/processing.py）：

1. 确定裁剪区域：在整图尺寸的掩码上定位当前 tile 的白色矩形区域，并加上tile_padding/seam fix padding；
2. 尺寸策略分支（force_uniform_tiles生效点）：
   • 启用时，调用expand_crop将裁剪区域向外扩展、并按图像宽高比调整，最终统一缩放到(tile_width + tile_padding) x (tile_height + tile_padding)的规整尺寸——这正是文档中"与 A1111 Web UI 行为一致"的来源；
   • 禁用时，取能装下掩码的最小尺寸（向上取整到 8 的倍数），tile 尺寸不规整，采样可能更快，但模型未必在该尺寸上训练过；
3. 掩码模糊：若mask_blur > 0，对掩码做高斯模糊（ImageFilter.GaussianBlur(p.mask_blur)），模糊半径越大，贴回时 tile 边缘附近保留的原始图像越多；
4. VAE 编码：把裁剪出的 tile 转成张量并批量编码为 latent；
5. 采样：调用 ComfyUI 的common_ksampler（或自定义 sampler/sigmas、guider），以该 tile 的 latent 为初始图像做 image-to-image；
6. VAE 解码（tiled_decode生效点）：

   if not p.tiled_decode: (decoded,) = p.vae_decoder.decode(p.vae, samples) else: (decoded,) = p.vae_decoder_tiled.decode(p.vae, samples, 512) # Default tile size is 512

   （modules/processing.py）即正常解码或 512 像素瓦片解码二选一；

7. 贴回合成：解码出的 tile 用 LANCZOS 缩放回裁剪区域原始尺寸，粘贴到全透明画布上对应位置，再以模糊后的掩码作为 alpha 通道做alpha_composite合成回原图——这就是 tile 边缘能够平滑融入原图、不出现硬边的手段。

此外，usdu_patch.py 中对原始 USDU 脚本的 monkey patch 会把目标尺寸p.width/p.height通过round_length取整到 8 的倍数，保证分块布局规整、VAE 编解码尺寸合法。

输入参数完整参考

以下表格完整继承自官方文档 js/docs/UltimateSDUpscaleNoUpscale.md，取值范围与默认值与 usdu_nodes.py 中USDU_base_inputs的定义一致。

源码中额外暴露的batch_size参数

从 usdu_nodes.py 的USDU_base_inputs定义看，节点实际还包含一个文档表格未列出的batch_size参数（INT，默认 1，范围 1-4096）：它控制一次批量处理多少张 tile，更大的值可以减少处理时间但占用更多 VRAM，且产生与逐块处理不同的结果，只影响主 redraw 步骤、不影响 seam fix 步骤。同时源码中存在一条断言约束（usdu_nodes.py）：batch_size大于 1 时要求force_uniform_tiles为True，因为批量中所有 tile 必须同尺寸。配置batch_size时需遵循这一前提。

输出

使用技巧

以下技巧完整继承自官方文档，并补充了源码依据。

1. 何时使用这个节点

• 你已经用其他上采样器放大了图像，想补充细节；
• 你想修复一张已有高分辨率图像中的接缝或伪影；
• 你想把"放大"与"精修"解耦，对每一步获得更多控制；
• 你想跳过 upscale model，先用 Lanczos、Nearest Neighbor 这类算法做一次简单放大，再用本节点精修。

2. 基本用法

• 典型的 tile 尺寸应参考模型训练时的分辨率，例如 SD1.5 模型常用 512x512。如果你能在该分辨率下生成连贯的图像，那它大概率也是合适的 tile 尺寸；
• 由于本节点输出尺寸等于输入尺寸，若你需要指定精确的输出分辨率，文档建议的路径是：单独完成放大（例如ImageUpscaleWithModel->ImageScale），再送入本节点——这正是 test/test_main_workflow.py 中test_upscale_no_upscale测试所验证的调用链：先用ImageScaleBy节点以 lanczos 方式放大 2 倍，再调用UltimateSDUpscaleNoUpscale（steps=5、cfg=8、denoise=0.7、mode_type="Chess"、512x512 tile、seam_fix_mode="None"、force_uniform_tiles=True），最后对输出做 MAE 相似度断言。该测试同时覆盖了batch_size=1与batch_size=2两种情况，可作为 API 级调用该节点的可靠参数模板。

3. 平铺模式（mode_type）

• Linear：按行顺序逐块处理 tile；
• Chess：棋盘格模式，先处理隔开的 tile。可以有助于降低可见接缝；
• None：完全跳过 redraw 步骤。当你只想用 seam fix 步骤修复可见接缝、不想新增细节时很有用。

从源码看，三种模式对应usdu.USDUMode.LINEAR / CHESS / NONE枚举（usdu_nodes.py）；当mode_type为 None 时，StableDiffusionProcessing初始化阶段也不会把 redraw tile 计入进度条总量（modules/processing.py）。

4. Denoise 设置

• 使用较低 denoise（0.05-0.2）来让放大后的图像变得更清晰，同时避免接缝和幻觉（hallucination）；
• 更高的 denoise 值只有在配合 ControlNet tile 模型之类的约束时才可用，否则容易出现 tile 边界和接缝。

这与文档对denoise参数的描述一致："Higher values allow more creative changes, but more chance of seams."

5. 接缝修复模式（seam_fix_mode）

• None：不做任何接缝修复；
• Band Pass：对 tile 之间的条带状区域（宽度由seam_fix_width控制）做处理；
• Half Tile：处理半 tile 大小的重叠区域；
• Half Tile + Intersections：最彻底，处理半 tile 区域及其交叉点。

源码中这四种策略对应USDUSFMode枚举NONE / BAND_PASS / HALF_TILE / HALF_TILE_PLUS_INTERSECTIONS（modules/processing.py），且StableDiffusionProcessing会按模式精确估算 seam fix 需要额外处理的块数用于进度条：Band Pass 增加(rows-1)+(cols-1)条带，Half Tile 增加(rows-1)*cols + (cols-1)*rows个半块，Half Tile + Intersections 再额外加上(rows-1)*(cols-1)个交叉块（modules/processing.py）。这组公式直观解释了为什么"更彻底的接缝修复模式处理时间更长"。

6. 性能优化

• 开启tiled_decode：当解码阶段 VRAM 不足时，可以跳过 ComfyUI"先尝试正常解码、OOM 后再回退分块解码"的默认行为，直接走分块解码（对应 modules/processing.py 中VAEDecodeTiled分支，内部瓦片尺寸固定为 512）；
• 使用模型和 VRAM 能处理的最大 tile 尺寸，减少所需 tile 数量；
• 关闭force_uniform_tiles，只解码贴回后真正可见的区域。这能节省处理时间，但模型可能未在得到的（更小、不规整的）tile 尺寸上训练过，且会丢失启用该选项时本可以获得的 tile 周围上下文。

7. 重要说明

• 该节点不做任何放大；它期望输入就是一张已经放大的图像；
• 输出尺寸由输入尺寸决定（不会做任何缩放）。这与源码中upscale_by = 1.0的硬编码一致（usdu_nodes.py）；
• seam fix 步骤会显著增加处理时间。如果接缝是主要问题，不妨优先尝试降低 denoise 或增大 tile 尺寸来规避接缝，而不是依赖 seam fix。

配套说明：脚本依赖与进度条配置

Ultimate SD Upscale (No Upscale)的 redraw / seam fix 调度逻辑最终委托给 Coyote-A 的原始 Ultimate SD Upscale 脚本（usdu.Script().run(...)，见 usdu_nodes.py）。该脚本不随本仓库内置，首次加载插件时init.py 会自动从上游仓库下载并解压到repositories/ultimate_sd_upscale/目录，因此首次运行需要有可用的网络环境。

另外，仓库根目录的 config.json.example 展示了一个可选的config.json（{"per_tile_progress": true}）。从 modules/processing.py 的源码结构看，该配置控制进度条是"按 tile 逐个推进"还是整个流程只显示一条总进度条；将其复制为config.json并修改per_tile_progress即可调整。

参考路径汇总

• 人工智能
• 计算机视觉
• 图像处理
• 媒体生成