五、CCSR高清放大
该方法基于 ComfyUI-CCSR 插件进行图像放大。根据原始论文描述，该技术可对图像进行高分辨率修复，并显著提升画面的整体视觉质量。下图展示了 CCSR 插件的示例工作流。
该方法使用了自行训练的 CCSR 大模型（本质上仍基于 Stable Diffusion），可通过文生图工作流加载该模型并进行出图测试。
该插件中的 CCSR_Upscale 节点仅支持加载对应的 CCSR 大模型，因其对模型架构进行了专门调整，若使用常规的 SD1.5 或 SDXL 模型，将导致参数维度不匹配并出现报错。该方法的核心在于 CCSR_Upscale 节点，该节点负责图像的分块扩散处理，实现放大与修复功能。在 sampling method 参数中可选择 "CCSR" 或 "CCSR_TILE"，其中 TILE 模式支持图像分块放大，可在低显存环境下实现高分辨率图像生成，但可能会产生“接缝”问题。
从下图的放大效果对比可以看出，该方法在修复过程中能够显著降低原图中的噪点，使整体毛发表现更加平滑，尤其在消除彩色斑点方面效果明显。然而，其缺点也较为突出：在去除噪点的同时，图像整体过渡变得过于平滑，导致真实场景中的纹理细节丢失，放大效果与 StableSR 类似。值得注意的是，部分表现可能与参数设置有关，调整相关参数或许能改善放大质量，建议根据实际需求进行个性化测试与优化。
在下面工作流中，为弥补第一阶段放大所造成的纹理缺失，引入了噪声注入机制：上方模块使用 SDXL 模型配合 Recolor 类型的 ControlNet 模型进行初步放大，以纠正色彩偏差；下方模块则对放大后的图像添加噪声，从而在扩散生成过程中同时实现色彩修复与细节增强。但从实际效果来看，个人更倾向于在此步骤中使用 SUPIR 放大方法，以更有效地恢复原图中丢失的纹理信息。
从结果来看，噪声强度设为 0.01 可在一定程度上增强阴影表现，使图像纹理更加清晰。然而，相较于后续将介绍的 SUPIR 方法，整体效果仍略显不足。因此，建议对官方示例流程中的后续修复环节保持批判性吸收的态度，重点理解噪声注入这一思路的原理与应用方式。
CCSR 放大方法的优势在于能够有效消除原图中的彩色噪点，并抹平高频细节，从而提升画面的整体平滑度，减少镜头模糊感。其放大效果与 StableSR 相近，因此推荐将其作为 SUPIR 纹理增强前的图像预处理步骤，以优化最终图像质量。
六、SUPIR高清放大
该方法通过 SUPIR 放大插件调用相关的 SUPIR 模型，针对图像进行高分辨率修复。当前插件仅支持与 SDXL 系列大模型配合使用，因此底模的选择对最终放大效果有显著影响。下图展示了一个放大工作流示例。
通过对该工作流的分析，可以了解 SUPIR 方法的基本使用方式。整体流程分为两个阶段：第一步对图像进行放大，并完成初步的去噪处理。下图中展示的去噪节点已有效去除原始图像中的噪点，因此 SUPIR 的修复效果对原图噪点的强度较为敏感，图像质量的初始状态会直接影响最终放大结果。
下图展示了初步去噪的对比效果，可以明显看出 SUPIR 更倾向于在干净图像的基础上进行纹理细节的增强。这一特性在工作流的第二阶段表现尤为明显。因此，为了获得更理想的放大效果，建议在使用 SUPIR 之前，先通过 CCSR 或 StableSR 方法对原图进行去噪处理。这样的组合不仅能够有效清除噪点，还能在放大过程中增强纹理表现，使 SUPIR 更加适用于真实人物图像的高质量修复。
下图展示的是示例工作流的第二部分，主要负责图像的修复与纹理添加。为了应对硬件设备可能带来的显存或内存不足问题，SUPIR 采用了图像分块处理的方式。在采样节点中，可以通过设置 tile 参数实现图像的分块采样。
需要注意的是，该方法并不支持对每一个分块区域分别使用独立的提示词。因此，在进行放大操作前，建议在提示词中使用通用的高质量描述词，而非依赖于整张图像具体内容的局部描述。这样可以更好地保障放大过程中整体图像的一致性与质量。
下图展示了经过 SUPIR 放大后的图像效果，可以明显看到，该方法在对图像进行纹理增强的同时，对原图的整体结构和内容几乎没有破坏，因此能够在提升分辨率的同时较好地保持原图的一致性。
然而，由于 SUPIR 方法依赖底层大模型的特性，因此选择合适的大模型对于最终效果至关重要。接下来，将对比使用“真实人物”领域的模型与其他场景模型的放大表现，从中评估模型选择对图像质量的影响。
下图展示了在相同提示词、图像输入及随机种子的条件下，分别使用两种不同风格的大模型进行放大的测试对比。上图为动漫风格模型的输出结果，下图为真实风格模型的输出结果。
下图为最终结果对比图。从中可以看出，真实风格的大模型在纹理表达上相较于动漫风格模型更加贴切，细节还原也更具真实感。然而，由于真实风格的大模型在训练过程中可能未采用加速放大策略，因此在相同采样步数下，其生成结果在清晰度与结构合理性方面略逊于经过加速优化的动漫模型。总体而言，不同模型在放大任务中的表现差异，既受到风格匹配的影响，也与模型本身的训练策略密切相关。
下图展示了 Pony 真实系大模型与动漫风格大模型在图像放大效果上的对比。由于 Pony 模型采用了加速策略，并基于大量高质量图像进行了精细微调，因此在皮肤纹理的增强方面表现尤为突出。从图中可以清晰看出，不同风格与训练策略的大模型在放大结果上存在显著差异，模型选择对最终图像质量影响巨大。这也再次强调了，只有在充分掌握插件使用方法与关键参数的前提下，才能在实践中有效实现个性化图像处理目标，夯实基础知识至关重要。
当你掌握了 SUPIR 的放大方法并完成参数配置后，便可使用该工作流对图像进行批量放大处理。具体操作为：从指定目录中批量读取待放大的图片，对每张图像执行提示词反推，并结合 SUPIR 模型进行放大与修复。由于底模采用的是 SDXL 基础模型，因此提示词反推可借助 WD14 模型实现，从而生成简洁的关键词标签。然而，考虑到 SUPIR 是通过图像分块进行放大处理，建议优先手动撰写统一的高质量提示词进行控制，这样可更好地确保放大结果在风格与细节上的一致性与可控性。
下图展示了使用 StableSR 进行预先去噪后再由 SUPIR 执行图像修复的工作流，与直接采用 SUPIR 自带去噪功能进行修复的流程对比。可以明显看出，不同的预处理方式对最终图像的质量与细节呈现具有显著影响。因此，在实际应用中，预处理策略的选择至关重要，建议结合具体场景进行多轮测试与对比实验，以确定最优方案。
下图展示了两种去噪方式的对比效果。从结果中可以看出，StableSR 通过结合正向与反向提示词，能够更有效地去除原图中的噪声，同时保持画面整体的一致性与结构稳定性。相比之下，SUPIR 自带的去噪方式由于参数调整空间较小，灵活性有限，导致在某些场景下的去噪能力相对较弱。综合来看，StableSR 的去噪效果更为显著，适用于对画面干净度要求较高的任务。
下图为放大处理后的结果对比。从结果来看，由于 StableSR 的去噪效果较为彻底，为后续 SUPIR 在图像上添加纹理提供了更大的发挥空间；而使用 SUPIR 自带去噪时，原图中仍保留了较多色块与噪点，导致后续的放大过程更偏向于进一步去噪而非增强纹理（此为个人推测）。因此，从最终图像表现来看，经过 StableSR 预处理的图像在细节纹理方面更加清晰丰富。具体效果仍建议根据实际需求进行多组对比测试以获得最优方案。
