MiniMax H3 Latent Upscaler 3D: ComfyUIノードによるニューラル潜在アップスケーリング

概要

このモデルはMiniMax H3の24チャンネルVAE潜在に直接作用し、時間次元を保持したまま空間解像度（H × W）をアップスケーリングします。学習済みニューラルネットワークが素朴なバイリニア/バイキュービック潜在補間を置き換えることで、素朴なアップスケーリングで発生するゴーストや二重像アーティファクトを回避します。

主な目的は高解像度のH3ビデオ生成を高速化することです：

1. 低解像度でビデオを生成します。潜在トークンが大幅に少なく、はるかに高速です。
2. 学習済みアップスケーラーで潜在をその場でアップスケーリングします。
3. ターゲット解像度で再サンプリングまたはリファインして、詳細を復元します。

H3の重い約5BパラメータのVAEを介した低速なデコード → ピクセルアップスケール → エンコードの往復を省略することで、このパイプラインは生成時間を大幅に節約します。節約できるのは時間であり、VRAMではないことに注意してください。リファインパスは依然としてターゲット解像度で実行されるため、ピークメモリは直接高解像度で生成する場合と同程度です。

カスタムノードパックには、video/MinimaxH3カテゴリの下に2つのノードバリアントが含まれています：

• Minimax H3 Latent Upscaler (2D)：時間軸3D畳み込みレイヤーを備えた2D ResBlockバックボーンで、軽量かつ高速。シンプルなscale倍率（1.0×～4.0×）を使用します。
• Minimax H3 Latent Upscaler (3D)：時空間ボリュームをまとめて処理する完全な3D畳み込みバックボーンで、時間的一貫性がより強力です。1つのノードにscale by multiplier、target dimensions、megapixelsの3つのリサイズモード（ピクセルグリッド整列とアスペクト比固定付き）を備えています。

両ノードともアップスケーリングのみ（effective scale >= 1.0）をサポートし、fp32 / fp16 / bf16推論に対応しています。最新のアップデートでは、長いビデオ向けのenable_chunkingトグル（時間チャンクのエッジブレンディング付き）、実行後のCPUオフロード自動化、ROCm（AMD GPU）バックエンドサポートが追加されました。

サンプル

リポジトリにはビデオと画像のアップスケール比較が含まれています：

ビデオアップスケール比較（クリックして再生）

画像アップスケール比較

ComfyUIでの使い方

1. Comfyui_Minimax_h3_latent_UpscalerをComfyUI/custom_nodes/にクローンして、ComfyUIを再起動します。追加のPythonパッケージは不要です。
2. チェックポイントのいずれか（bf16 / fp16、各約691 MB、またはfp32 .pth）をComfyUI/models/latent_upscale_models/にダウンロードします。ローダーがアーキテクチャを自動検出するため、1つのチェックポイントで2Dノードと3Dノードの両方で使用できます。

一般的なワークフロー：[Low-res H3 Latent] → [H3 Latent Upscaler] → [Refine / Re-sample] → [VAE Decode]。ノードパックにはI2VおよびR2Vのサンプルワークフローが含まれています：

以前のMamad8によるH3 2x潜在アップスケーラーはサンプリング後のクリーンな潜在を対象としています。今回のリリースは同様の潜在空間アプローチを採用しつつ、より重い3Dバックボーンを備え、ターゲットサイズ指定やメガピクセル指定での直接リサイズにも対応しています。