English · 中文

📰 更新动态

• [2026-11-10] 🚀 **发布 2D 卷积版本 minimax_h3_latent_upscaler_2d_conv_v1**：新权重为 2D 卷积主干（Conv2d）+ 穿插时序卷积（Conv1d），参数量 1.82 亿（3D 版 3.45 亿，约为一半），fp16 权重约 364 MB（3D 版约 691 MB）。在全部 36 个倍率上，latent MSE 相对三线性降低 **84.7%**（3D 版 61.1%）；1.1×–1.4× 低倍率仍有约 80% 的改善（3D 版此时只有 28%）；像素域平均 PSNR 30.47 dB（3D 版 29.30 dB）。同时支持 6 档锐度（3D 版无可调锐度），并覆盖 1.1×–4.0× 全倍率。3D 版只在它训练过的 2×/2.25×/2.5×/4× 上略有优势，且幅度有限：按统一口径「相对三线性的改善」，这四个倍率 2D 是 **83.0%–86.4%**、3D 是 **84.7%–89.1%**，只差 1.0–3.3 个百分点（绝对 MSE 差 0.004–0.024）——「3D 比 2D 低 7.5%–30.5%」是在这层很小残差上算的相对差，不是量级差距。时序一致性也略强（帧间差比值 0.867 vs 0.850，偏离真值 13.3% vs 15.0%），差距同样很小。明细见下方「选哪份权重」对比表。完整对比见对比报告。
• [2026-11-10] 🧩 2D 节点能力补齐，与 3D 参数对齐：2D 节点现支持三种缩放模式（scale by multiplier / target dimensions / megapixels）、rocm 后端、force_unload 显存卸载、像素网格 align 对齐，新增 Sharpness 锐度档位（1–6）与 Temporal Chunking 时间分块（chunked / single pass）。
• [2026-08-28] 🚀 新增组合节点 — MMH3 Split Upscale：新增三个节点（MMH3 Temporal Split Params、MMH3 Spatial Split Params、MMH3 Split Upscale），对 H3 视频做分块式「高清重采样」放大。该组合是在 Comfyui-MMH3-UltimateUpscale 项目基础上拆解优化而来——把 AV latent 沿时间切块、沿空间分块，逐块重采样后再无缝拼接；相比原版主要增强：更稳的拼接（seam_denoise + probe 门控二道缝修补）、颜色零漂移（空间+时间两级颜色匹配 + 首块/每 chunk 钉源）、三重时间锚（frame-0 / motion / identity）、更易用（空间参数简化为重叠率/渐变率百分比并自动吸附网格）、更轻量（移除内置放大模型，改接外部预放大 latent）。
• [2026-08-26] 🚀 3D 节点显存与使用优化：采用零拷贝模型加载，并接入 ComfyUI 原生 soft_empty_cache 与显式 .contiguous()，降低加载与推理期间的显存/内存峰值；推理后卸载到 CPU 改为可选开关 force_unload（默认开启）；enable_chunking 更名为 enable_temporal_chunking，分块有效帧数由 24 提升至 32；模型文件现可放入子目录（PR #30）；target dimensions 与 megapixels 上限分别放宽到 8192 像素与 16 MP。
• [2026-08-23] 🚀 3D 节点改进：新增 enable_chunking 开关（短片段可关闭，使用全上下文推理）；修复时间分块边缘伪影——采用 Replicate Padding 与重叠区域加权融合，消除末尾帧闪烁；新增 ROCm（AMD 显卡）后端支持，设备选项新增 rocm。
• [2026-08-21] 🚀 3D 节点优化：节点执行后自动将模型卸载到 CPU，为后续二次采样释放显存；宽高分别独立对齐到 align 网格（默认 32），修复底部光带问题；归一化/反归一化由原地操作改为标准运算，保留时间分块以支持长视频。
• [2026-08-19] 🚀 3D 节点重构：三种缩放模式（scale by multiplier、target dimensions、megapixels）合并进单一节点；修复特定模式下造成的比例不统一，修复各类特定尺寸造成的边缘伪影；新增示例工作流供参考。
• [2026-08-18] 🔥 精度选择：2D / 3D 节点均支持 fp32 / fp16 / bf16 推理。
• [2026-08-17] 🎉 初始发布：Minimax H3 Latent Upscaler 2D + 3D 双节点、双语 README、内联示例。

一个 ComfyUI 自定义节点，用训练好的神经网络（而非简单插值）对 Minimax H3 的 VAE latent （24 通道）进行放大。它的主要目的是加速高分辨率视频的生成，并提升画质：

• 跳过「解码 → 像素放大 → 再编码」的慢速往返。 Minimax H3 自带约 5B 参数的笨重 VAE， 对 latent 做解码和再编码都很耗时；直接在 latent 空间放大，就彻底省掉了这一往返开销。
• 支持更快的生成流程： 先低分辨率生成（latent token 少得多），用本节点放大 latent，再在 目标分辨率下二次采样 / 重绘精修。

同时，它避免了直接对 latent 插值（双线性/双三次）带来的鬼影、重影问题，作用类似于 LTX2.3 中的 latent 放大模型。

⚠️ 它节省的是时间，不是显存 —— 精修阶段仍在目标分辨率下运行，峰值显存与直接高清生成接近， 收益纯粹是更快出片。

提供两个节点变体，均注册在 video/MinimaxH3 分类下，参数几乎一致（2D 多一个 sharpness，时间分块在 2D 是下拉、在 3D 是开关）：

• **Minimax H3 Latent Upscaler (2D)**：2D 卷积主干 + 穿插的时序卷积，仅做空间（H×W）放大， 时间维度保持不变，轻量且快速；对应权重 *_2d_conv_v1，支持 6 档锐度。
• **Minimax H3 Latent Upscaler (3D)**：纯 3D 卷积主干（3D 卷积块 + 时序卷积 + 三线性插值）， 联合处理时空体，时间一致性略强，但参数与算力约为 2D 版的 1.9 倍；对应权重 *_3d_conv_v1。

权重与节点主干必须匹配：2D 节点加载 2D 权重，3D 节点加载 3D 权重。选错时加载器会直接报 结构不匹配，而不是静默出错误结果。

两个节点都内置三种缩放模式：

• scale by multiplier：经典 scale 倍数（1.0×–4.0×）。
• target dimensions：直接填目标像素 width / height。
• megapixels：填目标总像素（百万像素，例如 1.2），保持原宽高比。

target dimensions 与 megapixels 两种模式会按可配置的像素网格对齐输出，并自动反推等效倍率， 因此 1.0×–4.0× 之间任意目标都能用。

两个节点均只支持放大（等效 scale >= 1.0）。scale = 1.0 返回输入原样；等效倍率小于 1.0 会报错。

Sharpness 锐度档位（仅 2D 权重）

带档位通道的权重暴露一个 Sharpness 参数（1–6）：

• 1 = 最贴近原图（最柔和，MSE 最低）——默认值，也是绝大多数场景的推荐值。
• 6 = 最锐（细节最多，但相对精确目标偏离最远）。

旧权重不含档位通道时该参数被静默忽略（按 1 处理），控制台会打印一行提示。

锐度档位目前只存在于 2d_conv_v1 权重：3d_conv_v1 实测没有可调锐度，其输出锐度等价于 2D 的 t1 档。

MMH3 Split Upscale（组合节点）

来源： 该组合是在 Comfyui-MMH3-UltimateUpscale 项目基础上拆解优化而来。原本的单节点被拆成三个可组合节点（时间切分 / 空间切分 / 主放大）， 并在原有分块逻辑之上，针对拼接稳定性、色彩一致性、时间连续性、易用性与轻量化做了系统性增强。

一套独立的三节点组合，在扩散采样器内部做分块式「高清重采样」放大（而非用预训练放大网络）。 它接收 H3 的 AV latent（嵌套：视频 24 通道 + 音频 32 通道），沿时间切块、沿空间分块， 对每一块单独跑采样器，再用缝降噪、两级颜色匹配与时间锚点把结果无缝拼接回去，避免出现接缝和鬼影。 两个 * Split Params 节点负责配置切分方式，并喂给主节点 MMH3 Split Upscale（两者均可选—— 不连接即为整段/整帧单次处理）。它需要 model + conditioning + sampler/sigmas，即会在更高 分辨率上重新跑一遍采样。

相比原版主要增强（拆解优化点）：

• 🔧 更稳的拼接（Seam / Ghosting）：缝邻域降噪上限（seam_denoise）+ probe 门控的二道缝修补（seam_polish），消除接缝与鬼影；在高降噪 + 快速运动下，运动物体也不再被切断（”断肢”）。
• 🎨 颜色零漂移（Color Zero-Drift）：空间 + 时间两级颜色匹配，并对首块与每个 chunk 做全局色基准钉源（grade_pin），彻底解决块间闪烁、左上角发青等问题。
• ⏱️ 更强的时间连续性（Temporal Continuity）：frame-0 锚 + motion 锚 + identity 锚 三重时间锚，高降噪时自动兜底身份一致性，人物不漂移。
• 🧩 更易用（Usability）：空间参数由原本的 9 项精简为百分比（重叠率 / 渐变率），并自动吸附 latent 网格；negative 紧跟 conditioning 布局，连线更直观。
• 🪶 更轻量（Lightweight）：移除内置放大模型，改接外部预放大 latent，显存更可控、节点更专注。

新增 / 优化的模块（相对于原项目）：

模块	新增 / 优化的内容
预防（Prevention）	冻结预填重叠带 + 三重时间锚（frame-0 锚 + motion 锚 + identity 锚）+ cross-fade 拼接——让接缝与分叉在生成之初就不出现。
校正（Correction）	空间/时间两级颜色匹配 + 首块源参考 + 每块（chunk）全局钉源（grade_pin）——保证各瓦片、各时间块之间的色彩与亮度一致，杜绝块间闪烁与局部发青。
抗分叉（Anti-forking）	seam_denoise 上限——在高降噪 + 快速运动下，缝邻域以中等降噪续写邻居内容，防止运动物体被切断（”断肢”）；配合 probe 门控的二道缝修补，接缝与鬼影一并消除（建议 0.5–0.8；1.0 = 关闭）。
修复（Fixes）	每瓦片独立 Guider + 裁剪 keyframes，以及修复版 probe 门控去缝（seam_polish）——每个瓦片获得正确作用域的条件/关键帧，去缝门控不再过度或不足。
简化（Simplification）	overlap / fade 改为百分比参数（重叠率 / 渐变率，与分辨率无关），替代原来的绝对像素值，并自动吸附 latent 网格；negative 紧跟 conditioning，布局更直观。

---

📸 示例

视频放大对比

图像放大对比

2D 与 3D 逐倍率对比：完整的 36 档 MSE / PSNR / 锐度 / 时序图表见 examples/3D_Conv_v1_vs_2D_Conv_v1.html。

---

📁 项目结构

Comfyui_Minimax_h3_latent_Upscaler/
├── examples/
│   ├── Minimax_h3_latent_Upscaler_001.mp4
│   ├── Minimax_h3_latent_Upscaler_002.jpg
│   └── 3D_Conv_v1_vs_2D_Conv_v1.png     # 2D vs 3D 全倍率 MSE 曲线
├── workflow_templates/
│   └── minimax_h3_r2v_Latent Upscaler example workflow.json  # ComfyUI 模板示例工作流
├── nodes/
│   ├── __init__.py                       # 合并 2D/3D/组合节点映射
│   ├── minimax_h3_latent_upscaler_2d.py  # 2D 主干 + 时序卷积（三模式 + 锐度档位 + 时间分块）
│   ├── minimax_h3_latent_upscaler_3d.py  # 纯 3D 卷积，支持 3 种缩放模式
│   └── MMH3_Split_Upscale.py             # MMH3 Split Upscale 组合（基于 Comfyui-MMH3-UltimateUpscale 拆解优化）
├── README.md
├── README_zh.md
└── __init__.py

模型权重不随仓库提供，请按下方「模型放置」说明放入 ComfyUI 模型目录。

---

🚀 核心特性

• ✅ 学习型 latent 放大 — 针对 Minimax H3 latent 训练的神经网络，比双线性/双三次插值清晰得多。
• ✅ 两种主干、两种权重 — 2d_conv_v1 覆盖全倍率、体积减半、锐度可调；3d_conv_v1 在 2×/2.25×/2.5×/4× 上更准，时序一致性只微弱领先（帧间差比值 0.867 vs 0.850）。按场景选，节点与权重一一对应。
• ✅ 两个节点都支持三种输出尺寸方式 — scale by multiplier / target dimensions / megapixels，均带像素网格对齐与宽高比锁定。
• ✅ Sharpness 锐度档位 — 一个权重覆盖 1（最保真）到 6（最锐）六档，按需选择，不必为不同锐度各存一份权重。
• ✅ 长视频时间分块 — chunked 分块推理压低显存峰值，single pass 整段一次前向；旧工作流自动兼容。
• ✅ 分块式高清重采样（MMH3 Split Upscale 组合） — 把 H3 的 AV latent 沿时间切块 + 空间分块， 在更高分辨率上重采样，配合缝降噪、两级颜色匹配与时间锚点，避免接缝与鬼影。
• ✅ 24 通道 Minimax H3 latent — 使用训练时一致的逐通道均值/标准差做归一化。
• ✅ 自动识别模型结构 — 直接从权重读取通道数、块数、时序配置、卷积核大小与是否带上采样/档位通道，无需手动配置。
• ✅ 严格的权重校验 — 关键层缺失时直接报错退出，而不是静默随机初始化（输出会变成噪声）。
• ✅ 鲁棒的权重加载器 — 支持 .safetensors 与 .pth；自动 FP8→FP16；兼容合并权重中的 upscaler. 前缀。
• ✅ 可选精度与设备 — cuda / rocm / cpu 与 fp32 / fp16 / bf16 选项。
• ✅ 即插即用 — 标准 ComfyUI 节点，不改变现有工作流。

推理时强制关闭注意力（attn=False）以提升速度与稳定性；已加载模型按 (名称, 设备, 精度) 缓存，重复调用开销很低。

---

📦 安装

1. 将仓库克隆到 ComfyUI 的 custom_nodes 文件夹：

   cd ComfyUI/custom_nodes
   git clone https://github.com/LBH-123-AI/Comfyui_Minimax_h3_latent_Upscaler.git

2. 所需依赖（torch、einops、safetensors）在标准 ComfyUI 环境中已自带，无需额外安装。

3. 重启 ComfyUI。

---

🤖 模型放置

节点从这里扫描并加载权重：

ComfyUI/models/latent_upscale_models/

把你的 Minimax H3 latent 放大模型权重（.safetensors 或 .pth）放进该目录，节点下拉框会自动列出。 支持放在子目录里，下拉框会带上子目录名。

预训练权重可在此下载： huggingface.co/LBH-123-AI/Minimax_h3_latent_Upscaler

每个版本都提供 fp32 / fp16 / bf16 三档精度，按显卡与工作流选一档即可：

版本	fp16 / bf16	fp32 (.pth)	参数量
minimax_h3_latent_upscaler_2d_conv_v1（2D 主干）	约 364 MB	约 729 MB	1.82 亿
minimax_h3_latent_upscaler_3d_conv_v1（3D 主干）	约 691 MB	约 1.38 GB	3.45 亿

推荐默认 fp16：与 fp32 数值上几乎无差；bf16 给没有 fp16 快速路径的显卡（同体积、精度略低）； fp32 是参考权重，用于转换与逐位校验。

加载器会自动识别结构（通道数、块数、时序配置、是否带锐度档位通道等）。两个版本结构不同、不能互换：2d_conv_v1 只接 2D 节点，3d_conv_v1 只接 3D 节点。

选哪份权重：2D 还是 3D？

同一套验证集（2,500 对冻结验证）上，两个版本的实测差异：

指标（36 个倍率平均）	三线性	2D_Conv_v1	3D_Conv_v1
latent MSE 相对三线性的改善	—	84.7%	61.1%
1.1×–1.4× 低倍率改善	—	约 80%	28%
像素域 PSNR（VAE 解码后）	23.54 dB	30.47 dB	29.30 dB
时序一致性（latent 帧间差比值，真值 = 1.000）	0.900	0.850	0.867
可调锐度档位	—	1–6 档	无
参数量 / fp16 体积	—	1.82 亿 / 364 MB	3.45 亿 / 691 MB

全 36 个倍率的 raw latent MSE（越低越好）

灰 = 三线性，蓝 = 2D_Conv_v1（t1），橙 = 3D_Conv_v1。2D 全程贴底、几乎是一条平线，36 个倍率都稳定在三线性的 11%–15%；3D 只在训练过的 2×/2.25×/2.5×/4× 处短暂低于 2D，其余倍率明显反弹——1.1× 处几乎与三线性重合（0.133 vs 0.138），1.3×、2.2× 的改善也只有 30%–45%。这张图就是“2D 赢覆盖面、3D 赢特定倍率”最直观的说明。

• 2D 赢在覆盖面：低倍率（< 1.5×）优势极大，且多档锐度可调，体积只有一半。
• 3D 赢在训练过的倍率，但幅度有限：只有 2× / 2.25× / 2.5× / 4× 四个倍率反超，明细见下表。

3D 占优的四个倍率（统一口径：相对三线性的改善）

倍率	三线性 MSE	2D_Conv_v1 MSE（相对三线性改善）	3D_Conv_v1 MSE（相对三线性改善）	3D 比 2D 再低
2×	0.32384	0.05489（+83.0%）	0.04947（+84.7%）	11.0%
2.25×	0.40259	0.05475（+86.4%）	0.05091（+87.4%）	7.5%
2.5×	0.46205	0.06644（+85.6%）	0.05906（+87.2%）	12.5%
4×	0.73592	0.10464（+85.8%）	0.08016（+89.1%）	30.5%

读法：换成「相对三线性改善」这个统一口径后，两者都是 83%–89% 的量级，3D 只多 1.0–3.3 个百分点 （绝对差 0.004–0.024）。表里最后一列的 7.5%–30.5% 是在这层残差上算的相对差，不是“画质差三成”。

• 时序一致性：3D 只领先一点点 —— 见下表，平均帧间差比值 0.867 vs 0.850，偏离真值 13.3% vs 15.0%（相对改善约 11%，绝对差仅 0.017）。这个差距不足以成为选 3D 的理由， 选 3D 主要还是为了那四个倍率上的 MSE 优势。
• 其余倍率（尤其 1.1×–2.1× 的非整数档、2.6×–3.9×）2D 明显更准。

时序一致性明细（latent 域帧间差比值；1.000 = 帧间动态与真值一致，<1 = 比真值更“静”、 细节或运动被抹平，>1 = 更“抖”、闪烁被放大）：

倍率	LR 原样	三线性	2D_Conv_v1	3D_Conv_v1	3D 相对 2D
1.5×	1.019	0.880	0.848	0.857	更接近真值 0.009
2×	1.031	0.869	0.900	0.908	更接近真值 0.008
3×	1.032	0.904	0.892	0.898	更接近真值 0.006
4×	1.069	0.946	0.761	0.805	更接近真值 0.044
平均	1.038	0.900	0.850	0.867	+0.017

读法：三个方案的平均值都低于 1，也就是输出都比真值“静”一些（细节/运动被抹平一点）。3D 的 0.867 比 2D 的 0.850 更接近 1，差距在 4× 时最明显（0.805 vs 0.761），1.5×–3× 基本在 0.01 以内、 肉眼看不出。所以“时序更强”只在 4× 高倍率下才有实际意义。 （2× 那栏三线性 0.869 反而最靠近 1，但那是插值振铃把帧间噪声一起放大造成的，并不代表更真实。）

---

🧩 使用方法

从 video/MinimaxH3 菜单中添加所需节点，连入一个 LATENT，选择模型、设置缩放模式/参数，再解码即可。

典型流程：

• 快速预览： [Minimax H3 Latent] → [H3 Latent Upscaler] → [VAE 解码]
• 高品质 / 省时（推荐）： [低清 Latent] → [H3 Latent Upscaler] → [二次采样重绘/精修] → [VAE 解码]

相比「[Latent] → [VAE 解码] → [像素放大] → [VAE 编码] → …」这种朴素做法，直接在 latent 空间 放大跳过了昂贵的 VAE 解码/编码往返。Minimax H3 的约 5B 参数 VAE 让解码与再编码都明显偏慢，时间 主要就省在这里。同时也避免了直接对 latent 插值（双线性/双三次）造成的鬼影 / 重影问题。

⚠️ 显存预期： 本节点只省时间——精修仍在目标分辨率下跑，峰值显存与直接高清生成接近；长视频请用 Temporal Chunking 压峰值。

节点参数 — 2D

参数	类型	默认值	范围 / 选项	说明
latent	LATENT	—	—	输入的 Minimax H3 latent（(B,C,T,H,W) 或 (B,C,H,W)）
model_name	下拉框	自动	扫描到的文件	latent_upscale_models/ 中的模型
mode	下拉框	scale by multiplier	scale by multiplier / target dimensions / megapixels	输出尺寸选择方式
scale	FLOAT	2.0	1.0 – 4.0（步进 0.05）	mode 为 scale by multiplier 时使用
width	INT	1280	64 – 8192（步进 8）	目标像素宽（target dimensions 使用）
height	INT	704	64 – 8192（步进 8）	目标像素高（target dimensions 使用）
megapixels	FLOAT	1.0	0.1 – 16.0（步进 0.1）	目标总百万像素（megapixels 使用），保持宽高比
sharpness	INT	1	1 – 6	Sharpness。 1 = 最贴近原图（最柔和，MSE 最低）；6 = 最锐（细节最多，偏离精确目标最远）。只对带档位通道的权重生效，旧权重自动按 1 处理
align	INT	32	1 – 512	像素网格对齐：输出 W/H 分别独立取整到该值的倍数（严格建议 32）
temporal_chunking	下拉框	chunked	chunked / single pass	Temporal Chunking。 长视频分块推理以省显存；single pass 为整段一次前向（最费显存）
chunk_frames	INT	32	4 – 256（步进 4）	Frames per chunk。 仅在 chunked 下出现。每块实际前向帧数 = 该值 + 48（时间感受野上下文），放得下就别调太小
force_unload	BOOLEAN	True	True / False	推理后将模型卸载到 CPU，为后续节点释放显存；若重复使用本节点可关闭，避免重复加载开销
device	下拉框	cuda	cuda / rocm / cpu	推理后端（ROCm 需要支持 HIP 的 PyTorch 构建）
precision	下拉框	fp16	fp32 / fp16 / bf16	推理精度

输出： LATENT — 放大后的 latent，可直接送 VAE 解码。

节点参数 — 3D

参数	类型	默认值	范围 / 选项	说明
latent	LATENT	—	—	输入的 Minimax H3 latent（(B,C,T,H,W) 或 (B,C,H,W)）
model_name	下拉框	自动	扫描到的文件	latent_upscale_models/ 中的模型
mode	下拉框	scale by multiplier	scale by multiplier / target dimensions / megapixels	输出尺寸选择方式
scale	FLOAT	2.0	1.0 – 4.0（步进 0.05）	mode 为 scale by multiplier 时使用
width	INT	1280	64 – 8192（步进 8）	目标像素宽（target dimensions 使用）
height	INT	704	64 – 8192（步进 8）	目标像素高（target dimensions 使用）
megapixels	FLOAT	1.0	0.1 – 16.0（步进 0.1）	目标总百万像素（megapixels 使用），保持宽高比
align	INT	32	1 – 512	像素网格对齐：输出 W/H 会分别独立取整到该值的倍数（如 16/32/64）
enable_temporal_chunking	BOOLEAN	True	True / False	长视频时间分块以压低显存峰值；短片段可关闭，使用全上下文推理
force_unload	BOOLEAN	True	True / False	推理后将模型卸载到 CPU，为后续节点释放显存；若重复使用本节点可关闭，避免重复加载开销
device	下拉框	cuda	cuda / rocm / cpu	推理后端（ROCm 需要支持 HIP 的 PyTorch 构建）
precision	下拉框	fp16	fp32 / fp16 / bf16	推理精度

输出： LATENT — 放大后的 latent。

选哪个节点？ 默认走 2D：覆盖 1.1×–4.0× 全倍率、低倍率优势大、体积只有一半、锐度可调。 只有固定跑 2×（或 2.25×/2.5×/4×）想要更高精度时才换 3D——这几个倍率的 latent MSE 比 2D 再低 7.5%–30.5%（绝对差 0.004–0.024；换成相对三线性的改善口径，2D 约 85%、3D 约 87%，只差 1–3 个百分点）， 时序一致性也只是微弱领先。 具体数据见上文「选哪份权重：2D 还是 3D？」。

节点参数 — MMH3 Split Upscale（组合）

一套分块式「高清重采样」的 H3 视频放大方案，在 Comfyui-MMH3-UltimateUpscale 项目基础上拆解优化而来。和 2D/3D 节点（用预训练放大网络）不同，这套组合会在 latent 的更高分辨率版本上重跑扩散采样器，并切块以适配显存。它操作的是 H3 的 AV latent （嵌套：视频 24 通道 + 音频 32 通道），需要 model + conditioning + sampler/sigmas。

MMH3 Temporal Split Params — 沿时间怎么切（对齐 H3 原生的 5+17·m 帧/token 网格）：

参数	类型	默认值	范围 / 选项	说明
chunk_frames	INT	73	5 – 100000	每块帧数（自动对齐 H3 token 网格）
temporal_overlap_frames	INT	22	0 – 100000	相邻块之间的重叠帧数
anchor_strength	FLOAT	0.999	0.0 – 1.0	时间锚强度
motion_anchor_frames	下拉框	22	0 / 5 / 22 / 39	运动锚长度（帧）
identity_anchor_frames	INT	24	0 – 240	身份锚间距

输出：temporal_split_param（自定义类型，喂给主节点）。

MMH3 Spatial Split Params — 每帧怎么切瓦片：

参数	类型	默认值	范围 / 选项	说明
tile_width	INT	512	64 – 16384（步进 32）	瓦片宽（像素）
tile_height	INT	512	64 – 16384（步进 32）	瓦片高（像素）
overlap_ratio	FLOAT	0.25	0.0 – 0.90	重叠占比（占瓦片）
fade_ratio	FLOAT	0.50	0.0 – 1.0	重叠区内的渐变带宽度
min_tile_size	INT	256	0 – 16384（步进 32）	最小瓦片边长；避免边缘出现极小瓦片
seam_denoise	FLOAT	1.0	0.1 – 1.0	缝邻域降噪上限；<1 时高降噪下防止快速物体被切断（建议 0.5–0.8）

输出：spatial_split_param（自定义类型）+ grid_preview（字符串，显示计算出的瓦片/重叠网格）。

MMH3 Split Upscale — 主调度节点：

参数	类型	默认值	范围 / 选项	说明
model	MODEL	—	—	用于重采样的扩散模型
conditioning	CONDITIONING	—	—	正向条件
negative	CONDITIONING	—	可选	负向条件
latent	LATENT	—	—	输入的 H3 AV latent（嵌套：视频 24 通道 + 音频 32 通道）；仅支持 batch 1
noise	NOISE	—	—	采样器用的噪声源
sampler	SAMPLER	—	—	采样器
sigmas	SIGMAS	—	—	调度序列（sigma schedule）
cfg	FLOAT	1.0	0.0 – 100.0	无分类器引导强度
temporal_split_param	自定义	—	可选	来自 MMH3 Temporal Split Params
spatial_split_param	自定义	—	可选	来自 MMH3 Spatial Split Params
seam_polish	下拉框	off	off / auto / all	对检测到的接缝额外做去缝处理
color_match	BOOLEAN	True	True / False	跨瓦片/块的两级颜色匹配

输出： LATENT — 放大后的 H3 AV latent，可直接送 VAE 解码。

注意： 两个 * Split Params 节点都可不接（即为整段/整帧单次处理，不做时间/空间切分）。 该组合会在更高分辨率上重跑采样器，因此以额外算力换取长视频 / 高分辨率下的显存余量。

---

🧪 模型与架构

• Latent 格式： 24 通道 Minimax H3 VAE latent，推理前按训练均值/标准差逐通道归一化，推理后反归一化。
• 主干结构： 2D 版由 Conv2d 卷积块堆叠（每 3 块插一个 7×7 大核深度可分离块），并每 2 层穿插 一次时序 Conv1d；3D 版为纯 3D 卷积块 + 时序卷积。残差只存在于块内——每个卷积块的输出是 x + f(x)（带 1×1 跳连或恒等映射），但主干整体没有全局残差：网络输出完全由卷积预测给出， 不叠加插值/输入基座，不会出现“神经网络只学残差、基座靠插值”的情况。
• 结构由权重推断：in_channels / in_blocks / out_blocks / channels / 时序配置 / 卷积核大小 / 是否带 CoordConv、SE、大核、学习型上采样、锐度档位通道，全部从 state_dict 的形状和键名反推，不需要手动配置。两个版本都是 12+12 块、temporal_every=2、 temporal_kernel=5、attn=False；2D 版 channels=640（1.82 亿参数），3D 版 channels=512 （3.45 亿参数）。
• 上采样方式： 权重若带学习型上采样核（learned_upsample_ks，即 PixelShuffle 分支）则启用 学习上采样；否则回退到特征插值——2D 节点双线性，3D 节点三线性。控制台会打印实际走的路径。
• 时间处理： 两个节点均保持时间长度不变，仅放大空间分辨率（H×W）；长视频用时间分块控制显存。
• 锐度档位： 带档位通道的权重在内部把 sharpness 编码成 32 维条件，与倍率条件一起送入主干； 档位通道零初始化，所以旧权重 / 不带档位时行为与之前逐位一致。

---

📊 训练数据

训练语料共 约 16 万个独立配对（一份低分辨率 latent 配一份高分辨率目标，不含锐度副本）： 其中 146,945 对用于主干（倍率）训练，13,967 组独立语料专门训练锐度档位—— 这 13,967 组每组再配 1–6 六个锐度档位的 HR，共 83,802 对。

按缩放倍数（占主干训练量，实测）：

倍数区间	对数	占比
< 1.5×	13,649	9.3%
1.5× – 2.5×	70,773	48.2%
2.5× – 3.5×	45,023	30.6%
3.5× – 4.0×	17,500	11.9%
合计	146,945	100%

其中 2.0×（32,624 对，22.2%）、2.5×（15,000 对，10.2%）、4.0×（10,500 对，7.2%）、 1.5×（11,150 对，7.6%）、3.0×（10,824 对，7.4%） 是五个主力倍数，其余 0.25 步进的档位多为 2–3 千对（每档约 2.25%）。除了固定档位，还包含 1.0×–4.0× 之间的任意小数倍率，用于提升对连续 scale 值的泛化能力，避免只在几个固定档位上表现好。

---

🙏 致谢

本节点沿用了 Ttl 提出的「神经网络 latent 放大」思路 （ComfyUi_NNLatentUpscale， https://github.com/Ttl）。本项目模型架构同时参考借鉴了 LTX 2.3 Spatial Upscaler （ltx-2.3-spatial-upscaler-x2-1.1.safetensors）。感谢这些开源工作为本项目奠定基础。