当前市面上存在众多放大模型和插件，不同的风格、用途及生成内容对放大方案的要求也存在显著差异，这为选择合适的方案带来了不小的挑战。本文将对目前主流的多种图像放大方法进行测试与对比，尽可能结合其原理进行分析，帮助读者做出更具针对性的选择。
需要说明的是，本文内容旨在提供参考和思路，并非放大流程的唯一标准，建议读者以批判性视角阅读，结合自身需求灵活应用。
视频教程：点击跳转
一、潜空间Upscale Latent放大
该方法为 ComfyUI 自带的基础放大方式，其原理是在初步生成图像后，于潜空间（latent space）中对图像进行放大处理。然而，由于放大操作发生在潜空间，解码后往往会导致图像结构出现损坏或失真，具体效果可见下图所示。
因此，需要在放大后的图像上进行一次低重绘幅度的二次采样处理。下图中展示的二次采样重绘幅度设定为约 0.5，在保持图像与原图高度一致的前提下，成功实现了图像的 2 倍放大。
但该方法存在以下缺点：
- 放大依赖重绘：为了实现放大，必须进行图像重绘，这在一定程度上会改变原图内容。如果去噪幅度设置过低，可能会导致放大后的潜空间噪点残留，影响图像质量。
- 资源占用较高：二次采样操作是以放大后的潜空间图像为基础进行处理，因此对计算资源要求较高。在分辨率过高的情况下，容易出现显存溢出或程序崩溃的情况。
二、使用Upscale模型放大
使用 Upscale 模型进行图像放大是一种基于数学函数的简单放大方式。其原理在于：所下载的放大模型本质上是一个记录了像素间插值关系的函数，通过计算像素点之间的数据关系，实现图像尺寸的放大。
如下图所示，加载所选的 Upscale 模型并上传待放大的图像后，即可完成放大操作。该方法的优点在于：对原图几乎不产生明显改动，能够较好地保留原始细节和结构。但其缺点也较为明显：无法对图像进行修复，也难以有效消除图像模糊问题，更适合用于清晰度较高、仅需尺寸放大的图像处理场景。
该方法的关键在于放大模型的选择。本网站提供了多种类型的放大模型，如专用于动漫图像的模型、真实场景图像的放大模型等。选择合适的模型需根据图像风格和应用场景进行匹配，否则可能严重影响最终的放大效果。
此外，许多放大模型本身已设定固定的放大倍率。例如名称中带有 “2x” 的 AnimeSharp 模型，表示该模型会对输入图像进行 两倍放大。因此在下载与使用时，需留意模型名称中所包含的倍率信息，以确保图像尺寸调整符合预期。
三、使用 Upscale 类型的 ControlNet 模型放大
该方法采用了 Upscale 类型的 ControlNet 模型进行图像放大。由于该方法需要与主模型协同运行，因此主模型的选择对最终放大效果有着显著影响。当前在 Stable Diffusion 领域，Flux 模型在美学特征表现方面具有极高的水准，因此本示例将基于 Flux 模型，使用 Upscale ControlNet 的放大工作流作为演示。
该方法同样依赖于二次扩散过程，但可将去噪强度设置为1，实现几乎不改变图像内容的再生成。由于引入了 ControlNet，其条件控制能力使得图像放大过程中的内容变动极小，能够很好地保留原图的一致性。不过，该方法的主要缺点与第一种相似：需要对整张图像进行完整扩散，因此在高倍放大时可能因内存占用过大而导致程序崩溃。尽管如此，该方案在保持图像整体一致性方面表现出色，例如在Flux lora训练文章中的任务一致性控制场景中，即采用此方法进行修复与放大。
由于 ControlNet 节点参数的不同，图像放大的最终效果可能存在显著差异。在该工作流中，ControlNet 的主要作用是使生成图像尽可能贴近上传的预处理图像，因此若降低控制强度或缩短作用时长，将明显削弱其一致性控制能力，从而影响输出质量。该方法非常适合用于“保持图像一致性”的应用场景，但若目标是实现超高分辨率图像的生成，则并不推荐使用此方案。
该方法支持传入预处理图作为控制参考，因此在面对图像中存在模糊或线条问题时，可通过预处理对图像进行模糊处理以消除多余线条，随后借助 ControlNet 进行约束控制。这样不仅能够保留原图的色彩分布和结构信息，还能借助扩散过程增强图像细节，从而实现高质量的图像修复。
四、StableSR图像放大
StableSR需要下载相应模型，放入Comyfui/models/stablesr/文件夹，并尽量搭配配套的大模型以获得更佳的出图效果。由于该方法依赖扩散节点，同时为保持图像与原图的一致性，还需借助加载的中间模型进行控制，因此生成结果与原图之间可能存在一定差异。下图展示了该方法的示例工作流。
如下图所示，最终结果在细节上可能存在纹理的损失，例如企鹅胸部区域出现一定的涂抹感。但该方法在修复图像模糊、消除噪点方面表现良好，适合作为后续高质量放大（如 SUPIR）之前的预处理步骤。整体而言，该方法值得掌握，其所使用的模型对显存占用较低，能够以较快速度完成初步图像处理，为后续放大操作奠定良好基础。
