MiniMax H3 Latent Upscaler 3D: ComfyUI 노드로 신경망 Latent 업스케일링

무엇인가

이 모델은 MiniMax H3의 24채널 VAE Latent에 직접 작동해 시간 차원은 유지하면서 공간 해상도(H × W)를 확대합니다. 학습된 신경망이 단순한 bilinear/bicubic Latent 보간을 대체하여, 단순 보간에서 발생하는 고스트 및 이중 이미지 아티팩트를 피합니다.

주된 목적은 고해상도 H3 비디오 생성을 가속화하는 것입니다:

1. 낮은 해상도로 비디오를 생성합니다. Latent 토큰이 훨씬 적어 훨씬 빠릅니다.
2. 학습된 업스케일러로 Latent를 제자리에서 확대합니다.
3. 목표 해상도에서 다시 샘플링하거나 리파인하여 디테일을 복원합니다.

H3의 무거운 ~50억 파라미터 VAE를 통한 느린 디코딩 → 픽셀 업스케일 → 인코딩 과정을 생략함으로써 생성 시간을 크게 절약합니다. 단, 시간이 절약될 뿐 VRAM은 절약되지 않습니다 — 리파인 패스는 여전히 목표 해상도로 실행되므로 최대 메모리는 고해상도 직접 생성과 비슷합니다.

커스텀 노드 팩은 video/MinimaxH3 카테고리 아래 두 가지 노드 변형을 제공합니다:

• Minimax H3 Latent Upscaler (2D) — 2D ResBlock 백본에 시간적 3D 컨볼루션 레이어를 결합한 경량·고속 버전으로, 단순한 scale 배수(1.0×–4.0×)를 사용합니다.
• Minimax H3 Latent Upscaler (3D) — 완전 3D 컨볼루션 백본으로 시공간 볼륨을 함께 처리해 시간적 일관성이 더 강하며, 하나의 노드에 세 가지 크기 조정 모드(scale by multiplier, target dimensions, megapixels)를 제공합니다. 픽셀 그리드 정렬과 종횡비 고정을 지원합니다.

두 노드 모두 업스케일만 지원하며(effective scale >= 1.0) fp32 / fp16 / bf16 추론을 제공합니다. 최근 업데이트로 긴 비디오용 enable_chunking 토글(시간적 청크 경계 블렌딩 포함), 실행 후 자동 CPU 오프로드, ROCm(AMD GPU) 백엔드 지원이 추가되었습니다.

예시

저장소에는 비디오 및 이미지 업스케일 비교가 포함되어 있습니다:

비디오 업스케일 비교(클릭하여 재생)

이미지 업스케일 비교

ComfyUI 사용법

1. Comfyui_Minimax_h3_latent_Upscaler를 ComfyUI/custom_nodes/에 클론하고 ComfyUI를 재시작합니다. 추가 Python 패키지는 필요 없습니다.
2. 체크포인트 중 하나를(bf16 / fp16, 각각 약 691 MB, 또는 fp32 .pth) ComfyUI/models/latent_upscale_models/에 다운로드합니다. 로더가 아키텍처를 자동 감지하므로 2D 및 3D 노드 모두 하나의 체크포인트로 작동합니다.

일반적인 워크플로: [저해상도 H3 Latent] → [H3 Latent Upscaler] → [리파인/재샘플링] → [VAE Decode]. 노드 팩에는 I2V 및 R2V 예제 워크플로가 포함되어 있습니다:

Mamad8의 H3 2x Latent 업스케일러는 샘플링 후의 클린 Latent를 대상으로 합니다. 이번 릴리스는 더 무거운 3D 백본으로 유사한 Latent 공간 접근 방식을 취하면서 목표 해상도 및 메가픽셀 직접 리사이즈도 지원합니다.