ComfyUI-DyPE：无需训练，让 FLUX、Z-Image等 DiT 模型生成 4K+ 超高分辨率图像

ComfyUI-DyPE 是一个轻量级自定义节点，实现了 DyPE（Dynamic Position Extrapolation）技术，使预训练的扩散 Transformer（如 FLUX、Nunchaku、Qwen Image、Z-Image）能够直接生成 4096×4096 甚至更高分辨率的图像，且无需微调、不增加推理成本。

• GitHub：https://github.com/wildminder/ComfyUI-DyPE
• 网盘下载：https://pan.quark.cn/s/ef0021c717a2 提取码：BcTn

DyPE 的核心思想是：利用扩散过程天然的“从低频到高频”生成特性，动态调整位置编码。早期步骤聚焦全局结构（低频），后期步骤细化纹理细节（高频），从而避免传统外推方法常见的重复图案、结构崩塌或模糊问题。

核心原理：动态适配频谱演进，突破分辨率瓶颈

传统扩散模型在生成超出训练分辨率的图像时，常因位置编码不匹配导致细节错乱、结构崩塌。ComfyUI-DyPE 采用免训练的 DyPE 技术，从根源上解决这一问题：

• 利用扩散过程的频谱演进特性，在每个采样步骤动态调整模型的位置编码；
• 早期采样阶段聚焦低频结构（如物体轮廓、场景布局），后期阶段专注高频细节（如纹理、边缘），使编码频谱与生成阶段精准匹配；
• 无需修改模型权重，仅通过实时调整位置嵌入，即可让模型稳定生成超原生分辨率图像，且零推理开销，对生成速度几乎无影响。

二、核心特性：多模型兼容+轻量化集成，兼顾灵活与高效

1. 广泛适配主流模型架构

支持 FLUX（标准版）、Nunchaku（量化版 FLUX）、Qwen Image、Z-Image（Lumina 2）等主流扩散变换器模型，无需针对不同模型单独配置，兼容性极强。

2. 超分能力与易用性平衡

• 最高支持 4096x4096 及以上分辨率生成，远超多数模型的原生训练分辨率（如 FLUX 原生 1024x1024）；
• 单节点集成设计：仅需在模型加载器后添加“DyPE for FLUX”节点，无需重构现有工作流，新手也能快速上手；
• 完全兼容现有工具链：与 ComfyUI 内置的采样器、调度器及其他优化节点无缝协作，不影响原有创作流程。

3. 细粒度参数控制，适配不同场景

提供多维度可调参数，支持用户根据目标分辨率、图像类型优化生成效果：

• 模型类型自动检测/手动指定，适配不同架构特性；
• 4 种位置编码方法可选（vision_yarn/yaRN/ntk/base），兼顾长宽比鲁棒性、通用性能与细节锐度；
• 动态组件开关、强度缩放、指数调节等参数，可针对 2K-3K、4K+ 等不同分辨率场景精准优化。

快速上手：两步安装+简单配置，即刻启用超分

1. 安装方式（二选一）

方式一：ComfyUI Manager 安装（推荐）

打开 ComfyUI → 启动 ComfyUI Manager → 搜索“ComfyUI-DyPE” → 点击“安装”，重启 ComfyUI 即可生效。

方式二：手动安装

1. 进入 ComfyUI 安装目录下的 custom_nodes/ 文件夹；
2. 执行克隆命令：

   git clone https://github.com/wildminder/ComfyUI-DyPE.git
   

3. 启动或重启 ComfyUI，无需额外安装依赖。

2. 使用流程（6步搞定）

1. 用常规加载器加载目标模型（如 FLUX、Qwen Image）；
2. 在工作流中添加“DyPE for FLUX”节点；
3. 将模型加载器的 MODEL 输出连接到 DyPE 节点的 model 输入；
4. 在 DyPE 节点中设置 width 和 height，与“空潜在图像”的分辨率保持一致；
5. 将 DyPE 节点的 MODEL 输出连接到 KSampler 的模型输入；
6. 保持其他参数不变，直接生成即可启用超分功能。

注意：该节点仅修改扩散模型（UNet）的位置嵌入，不影响 CLIP 编码器或 VAE 模型，无需额外调整相关配置。

参数配置指南：按需优化，平衡分辨率与画质

1. 基础配置（必选）

• model_type：默认选择 auto 自动检测模型，若识别失败可手动指定（如 FLUX 选 flux，Qwen 选 qwen）；
• base_resolution：填写模型原生训练分辨率（FLUX/Z-Image 填 1024，Qwen 填 1328）；
• width/height：与空潜在图像分辨率一致（如生成 4K 图像则填 4096x4096）。

2. 进阶优化（可选）

• method：优先尝试 vision_yarn（长宽比鲁棒性强，结构与纹理解耦），极端长宽比场景可切换 yaRN；追求稳定性可选 ntk；
• dype_exponent：2K-3K 分辨率填 1.0，4K+ 填 2.0，略高于原生分辨率填 0.5；
• enable_dype：默认启用（完整 DyPE 算法），若出现细节过度锐化可尝试关闭。

最佳实践与注意事项

1. 极端分辨率限制：尽管 DyPE 大幅提升超分能力，但 4096x4096 等极端分辨率仍可能出现轻微伪影（毕竟模型原生训练仅百万像素级，需生成千万像素级图像），可通过后期轻微降噪优化；
2. 参数实验建议：不同提示词、模型架构的适配参数存在差异，建议先固定其他参数，仅调整 method 和 dype_exponent，快速找到最优配置；
3. 适用场景：适合壁纸创作、印刷素材制作、高清插画生成等需要高分辨率输出的场景，尤其适配对细节连贯性要求高的作品。

ComfyUI-DyPE 以“免训练、轻量化、高兼容”的优势，为扩散模型用户提供了低成本的超分解决方案，无需专业技术即可突破分辨率瓶颈。无论是新手创作者还是资深开发者，都能通过简单配置获得高质量的 4K+ 图像生成能力，进一步拓展 AI 绘画的应用场景。