ComfyUI-Tessera 是一款专为 ComfyUI 环境设计的生产级视频放大自定义节点，底层构建于 MiniMax H3 模型之上。
- GitHub：https://github.com/hashu786/ComfyUI-Tessera
- 模型：https://huggingface.co/Alissonerdx/Minimax-H3-ComfyUI
其核心工程突破在于引入了流式 VAE 编码与解码机制，使得全分辨率的像素片段无需一次性载入显存。通过逐瓦片（Tile）、逐块（Block）的精炼处理，该工具能够在单块消费级 GPU 上，将任意长度的视频片段稳定放大至 2K、4K 甚至 8K 分辨率，有效规避了传统高分辨率视频处理中常见的显存溢出（OOM）问题。
环境配置与安装部署（核心重点）
正确的环境配置是工作流正常运行的前提。Tessera 的设计原则是轻量化，无需额外的 Python 依赖包，安装过程直接且标准化。
1. 节点安装
打开终端或命令行工具，导航至 ComfyUI 的 custom_nodes 目录，执行以下 Git 克隆命令：
cd ComfyUI/custom_nodes
git clone https://github.com/hashu786/ComfyUI-Tessera
验证安装：安装完成后，启动 ComfyUI。观察控制台输出，若成功注册，系统将打印类似 [Tessera] loaded 9 node(s): ... 的提示信息。若无此提示，请检查网络连通性或目录权限。
2. 核心模型依赖准备
Tessera 依赖以下本地开放权重模型，需提前下载并放置于 ComfyUI 的标准模型目录中：
- 核心视频模型：MiniMax H3 ref2va + 视频/音频 VAE + Qwen3-VL 文本编码器。
- 细节增强：LMS 细节 LoRA（由 Alissonerdx 提供），作为内部配方的一部分，用于提升锐度与细节表现。
- 可选辅助模型：
- Qwen Image 2.1：用于首帧细节锚定（静帧输入），确保放大起始帧的清晰度。
- SAM3：用于生成主角主体的精确蒙版，辅助模型聚焦核心区域。
核心节点功能解析
Tessera 将复杂的视频放大流程拆解为 9 个独立且协同的节点，赋予用户对渲染过程的精细控制权：
| 节点 | 功能说明 |
|---|---|
| Tessera Streamed Encode | 按时间窗口流式编码源视频，输出放大底板潜变量与引导条件，解决高倍放大OOM |
| Tessera Refine | 瓦片精炼核心，支持分块时序处理、主体优先瓦片、空白瓦片跳过、异常兜底输出 |
| Tessera Streamed Decode | 独立流式解码器，同时支持从备份潜变量恢复渲染 |
| Tessera Tile Plan | 预演瓦片网格、分块布局、预估算力开销，提前评估成本 |
| Tessera Guide Anchor | 首帧细节锚定，光流传播细节、偏移校正 |
| Tessera Temporal Dilate / Decimate | 帧率膨胀适配高速动作，输出精准重定时 |
| Tessera Guide Grain | 给引导图匹配胶片颗粒质感 |
| Tessera Extra Options | 高级参数面板，附带经过实测的默认配方 |
关键参数配置与工程实践
为了在渲染质量与计算效率之间取得最佳平衡，以下核心参数的设置逻辑需重点关注：
- 显存预算控制 (
spatial_tile/temporal_tile)：
提供high_vram和low_vram两种模式。系统会根据选择，同步缩放瓦片尺寸和时间窗口，以确保在包含时序膨胀的情况下，依然符合当前 GPU 的显存预算。 - 防幻觉与算力回收 (
flat_skip，默认值 4.0)：
对于无显著特征的瓦片区域（如天空、烟雾、无缝背景），系统会保留原始底板而非重新采样。这不仅防止了模型在这些区域“幻觉”出虚假细节，还能直接收回计算步骤，显著提升速度。注意：此功能需要来自 Streamed Encode 的正向链支持，设为 0 则禁用该机制。 - 首帧锚定策略：
若需进行真正的细节中继，建议以 2 倍分辨率馈送细节静帧。工程建议：在 4 倍及以上放大时，不要插入锚点，应直接让模型进行渲染。若必须使用锚定，请将motion_release_floor参数设置为 0.3，以平衡细节保留与运动流畅度。 - 合成模式权衡 (
composite，位于 Extra Options)：- Pixel 模式：对每个瓦片进行像素级解码，并在像素空间执行交叉淡化。优势：增加约 0.9% 的精细细节。适用于追求极致画质的工作流。
- Latent 模式：在潜在空间（Latent）进行拼接，随后统一解码一次。优势：提升约 1.7% 的时间稳定性，且在 1080p 下速度提升约 7%，4K 下速度提升 10% 以上。适用于追求速度的工作流。注意：对于长视频的分块运行，始终建议使用 Latent 模式以保证稳定性。
- 中断恢复机制：
若最终解码阶段因磁盘空间不足等原因失败，系统会将已精炼的潜在数据保存为tessera_rescue_*.latent文件。用户可通过LoadLatent节点加载该文件，并连接至Tessera Streamed Decode，从而直接恢复渲染，无需从头重新采样，大幅节省时间与算力。
默认参数设计的工程逻辑
Tessera 的所有默认参数均非随意设定，而是基于大量真实渲染测试的测量结果，并将失败案例记录在修复逻辑旁。其底层遵循以下工程定律（完整技术笔记详见仓库内的 docs/LAWS.md）：
- 群相位定律：解释了为何块窗口必须吸附到 H3 模型的 Token 时序上，以维持时序相位的一致性。
- 内容时间预算：决定了为何时间窗口需要随帧率膨胀进行动态缩放，以匹配计算资源的分配。
- 拼接尺度与中继释放定律：明确了锚点在何种分辨率和运动幅度下能提供帮助，在何种情况下反而会产生负面干扰。
- 平瓦片定律：从数学层面解释了为何对无特征（平坦）瓦片进行采样容易引发模型幻觉，从而验证了
flat_skip机制的必要性。 - 流式编解码验证：确保了在显存受限环境下，分块编码与解码的误差累积处于可控范围内。
快速开始工作流
对于希望快速验证效果的用户，可按以下步骤操作：
- 在 ComfyUI 中打开
example_workflows/tessera_upscaler.json示例工作流。 - 在
LoadVideo节点中指定你的源视频片段路径。 - 设置所需的放大因子（Scale Factor）。
- 点击运行。示例中的默认值即为经过验证的配方，通常可开箱即用，直接输出高质量结果。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
