Comfy-Org发布了专为 AI 视频设计的 2 倍视频放大工具 RelayVSR。为了评估其实际工程表现,有开发者在 RTX 5090 平台上,将其与英伟达原生的 RTX Video Super Resolution (RTX VSR) 进行了直接对比测试。测试使用了相同的 MiniMax H3 视频片段,并统一将输出分辨率设定为 2688×1536。

核心测试数据对比
测试样本为 124 帧视频,分辨率从 1344×768 放大至 2688×1536。在 GPU 处于热态的情况下运行 3 次并取中位数,核心指标对比如下:
- 处理耗时:RelayVSR 耗时 5.8 秒,而 RTX VSR 仅需 1.3 秒。
- GPU 显存占用:RelayVSR 占用 11.6 GB,RTX VSR 占用 2.9 GB。
- 细节增益(相比普通 2 倍缩放):RelayVSR 提升 4.8 倍,RTX VSR 提升 2.7 倍。
- 时序稳定性(相比草稿的闪烁指数):RelayVSR 指数为 0.98(画面比源视频更平静稳定),RTX VSR 指数为 1.18(画面更锐利但伴随更多抖动)。
- 面部特征匹配度:RelayVSR 为 0.87,RTX VSR 为 0.97。
- 语义保留:两者均完整保留了口语句子,在 9/9 的测试片段中表现一致。
技术路径差异分析
上述测试数据反映了两者截然不同的底层设计逻辑与工程权衡。
RTX VSR 基于英伟达的前馈卷积神经网络(CNN)架构。其优势在于极高的处理效率和精准的面部特征还原。然而,作为纯粹的图像放大器,它会原样传递甚至放大原始 AI 视频(如 MiniMax H3)中固有的微小闪烁,无法主动修复时序上的不一致。
RelayVSR 则采用了一种混合生成式架构。它在关键帧上运行 1 步的 Wan 2.2 5B 扩散模型,其余帧由小型解码器处理。这种设计使其在补充画面高频细节方面表现突出(细节增益显著),并且是测试中唯一能有效抑制原始视频闪烁、提升时序稳定性的方案。
综合评价与应用场景
RelayVSR 的性能提升伴随着明确的计算开销代价。其处理耗时和显存占用约为 RTX VSR 的 4 倍,且生成的画面与原始源视频存在轻微的视觉漂移。
对于视频处理工作流而言,这两种工具提供了不同的解决方案:如果工作流优先考虑处理速度、低显存占用以及严格的面部特征保真度,RTX VSR 是更合适的选择;如果目标是最大化补充画面细节,并主动修复 AI 视频生成中常见的时序闪烁问题,且能够接受更高的算力成本与轻微的视觉漂移,RelayVSR 则展现出独特的工程价值。









