同一段 H3 渲染，四条通往 1080P 的路：RelayVSR、SeedVR2 与原生收尾实测

视频超分模型 RelayVSR 这周拿到了 ComfyUI 原生支持（PR #17511，重打包版本放在 Comfy-Org 的 Hugging Face 仓库）。它出自中科大，Apache-2.0 许可。Reddit 用户 friedlc 顺手拿自己正在做的短片做了个对比：同一段 MiniMax H3 渲染，分别走四条路到 1080P，表演完全一致，差别只在收尾方式。

先补一点背景。H3 指 MiniMax 的视频生成模型，ref2v 是参考图生视频模式；latent 上采样是在潜空间里放大，比在像素层面放大省算力。SeedVR2 则是另一款常用的视频修复与超分模型。

底片是这样的：MiniMax H3 ref2v，12.25 秒、294 帧、24fps，带音频。两段式生成，先在 576×352 跑 15 步，用 H3 的 3D latent 上采样，最后 5 步在 1312×768 完成。RTX 4090 上耗时 5.7 分钟。

四条路线：

路线	耗时	备注
SeedVR2 7B 升到 1080p	+13.1 分钟	干净，皮肤自然，远处的小脸也稳得住
原生 H3 1080p 收尾（latent 上采样到 1856×1088，最后 5 步在此完成）	共 13.3 分钟	特写最柔，最有“拍出来”的质感；但从 576×352 的低频起步，远处小脸始终糊
RelayVSR x4，输入是 464×272 的降采样	+66 秒	从这么小的输入出发，效果意外接近 SeedVR2；皮肤略塑料
RelayVSR x2，输入是 720p 版本	+100 秒（模型加载后约 35 秒）	原始细节最多，但 detail 默认 1.0 时，眼睛和头发像被刻过，发脆

对比视频开头是带声音的 2×2 全网格，然后半速推近远处的人脸（画面里大约 90 像素高），最后是特写推镜。裁剪部分用最近邻缩放，没有为对比做任何平滑。

四条路线对比画面

ComfyUI 里的接线不复杂：Load Video → RelayVSR Conditioning → KSampler（1 步，cfg 1，euler/simple）→ VSR Decode → Create Video，音频直接透传。int8 模型每个 5.2 GB（x2 和 x4 各一个），外加一个 128 MB 的 flash VAE。

上面四条里没有一条成为作者的最终选择。他在视频结尾重跑了两段式，把前 15 步从 576×352 提到 928×544（换了种子，所以是另一条 take），然后在同一条 take 上比较 RelayVSR x2 和原生 1080p 收尾。低分辨率首过变大之后，1080p 那几步有足够素材可用：远处的人脸连贯自然，而 RelayVSR 在同一批帧上把它扭了，还凭空给他加了副眼镜。特写也更干净，刻线更少。代价是 16.5 分钟对大约 6 分钟，但他现在拿这条做最终镜头。低分辨率首过对提示词的跟随也更好，等于白得一段更准的表演。

几条踩坑记录：

别拿 720p 输入跑 x4。输出是 5248×3072，在原仓库（WSL）和 ComfyUI 里都跑了 3 小时以上没结束。Interrupt 停不下来，只能重启 ComfyUI。720p 用 x2，x4 只留给小输入。
VSR Decode 的 detail 是控制发脆观感的旋钮。0.65 能保住皮肤纹理，同时让眼睛和头发安静下来。
它仍然不算真正的 HD。RelayVSR 会补像素，但凑近看有点发虚，眼睛偶尔不对劲。主镜头还是值得花时间上 SeedVR2 或原生收尾；横扫镜头和预览，一分钟一条片子很难被替代。

评论区里，RiverSide71h 说自己的流程是 0.2MP 首过、latent 上采样到 0.4MP，再接 RelayVSR x2。他遇到的问题在于，3 步 latent 上采样用的 taomate 已经把画面推得挺高对比，RelayVSR x2 又叠了一层。Apprehensive_Sky892 提醒，0.2MP 跑得快没错，特写大概没问题，但复杂场景和远景可能没有足够像素让模型发挥。RiverSide71h 补充，自己用 PikaH3 的 6 步；Minimax 需要更扎实的初始生成，如果中景人物眼睛开始出现熟悉的模糊或拖影，就改成 0.3 起步、0.5 二过，再 RelayVSR x2。5 秒片子在 5070 Ti 上约 90 秒，算是能接受的小瑕疵换生成时间。

另外有人全程在问，他的胳膊到底在干嘛。