MiniMax H3 학습형 2배 잠재 업스케일러, ComfyUI 노드와 함께 출시

Tr1dae가 MiniMax H3용 학습형 클린 잠재 데이터 2배 업스케일러를 출시했습니다. ComfyUI-MiniMaxH3_LatentUpscaler 커스텀 노드 팩으로 패키징되었으며, Hugging Face에 동반 checkpoint(h3_clean_latent_upscaler_film_epoch200.safetensors)도 함께 제공됩니다. 이 노드는 업스케일링을 정확히 2배로 고정하며 완전히 잠재 공간에서 실행되므로, 워크플로가 샘플러를 벗어나지 않고 저해상도 첫 번째 패스에서 고해상도 두 번째 패스로 진행할 수 있습니다.

개요

완성된 렌더를 선명하게 만드는 기존 업스케일러와 달리, 이 도구는 MiniMax H3 샘플러 사이에서 공간 잠재 크기를 2배로 늘립니다. 먼저 작고 저비용으로 렌더링한 다음 클린 잠재 데이터를 2배 업스케일링하고, 전체 해상도에서 denoising을 계속 진행합니다.

• 공간 잠재 크기만 2배로 늘립니다. 시간 길이는 변경되지 않습니다.
• 기본적으로 학습된 2배 네트워크(method = learned model)를 사용합니다. 픽셀 업스케일링 후 재인코딩된 티처 잠재 데이터를 기준으로 이중선형 잠재 보간을 보정하도록 학습되며, 디코더를 고려한 손실, SSIM, 공간 및 시간 손실이 적용됩니다.
• 오디오 스트림을 변경 없이 유지합니다. audio_denoise를 0으로 설정하면 패스 1 오디오가 완전히 고정되고, 1로 설정하면 패스 2에서 완전히 리믹스할 수 있습니다. 그 사이의 값은 지원되지 않습니다.
• sigmas[0]에서 NestedTensor를 인식하는 CONST 재노이즈를 수행합니다. 기본 제공 LatentUpscaleBy / AddNoise는 MiniMax의 결합 오디오-비디오 잠재 데이터(video [B,24,T,H/16,W/16] + audio [B,32,2,T_audio])에서는 오류가 발생합니다.

이 팩에는 여러 노드가 포함되어 있습니다. MiniMax H3 Latent Upscale Combined(메인 적용 노드), 노름을 보존하는 Latent Blur / Sharpen / Contrast 헬퍼, 그리고 패스 1 잠재 데이터와 조건화를 저장해 두었다가 HQ 타임라인 및 MP4 / FCP7 XML 내보내기로 후속 고품질 업스케일링을 수행할 수 있게 하는 Save / Load Package + Upscale Collect 시스템이 포함됩니다.

설치

cd ComfyUI/custom_nodes
git clone https://github.com/Tr1dae/ComfyUI-MiniMaxH3_LatentUpscaler

학습된 checkpoint는 첫 번째 learned model 실행 시 SHA-256 검증을 거쳐 ComfyUI/models/h3_latent_upscalers/에 자동 다운로드됩니다. 아키텍처 코드는 함께 설치되는 ComfyUI-H3-Latent-Upscaler-Mamad8에서 로드되며, 이 저장소는 이전 2배 잠재 업스케일러 뉴스에서도 참조되었습니다.

커뮤니티 결과

Banodoco 커뮤니티는 8월 중순부터 이 노드를 벤치마킹해 왔습니다. foxydits는 자신의 Seed Hunter 워크플로(이 노드 기반)가 RTX 3090에서 0.5MP 베이스를 5분 이내에 1080p로 렌더링한다고 보고했습니다(discord). DiXiao는 이 노드를 ComfyUI-MiniMax-H3-SPEED 및 Turbo LoRA와 결합해 약 150~180초 만에 10초 분량의 1344×768 비디오를 생성했으며, "노드가 사용하는 표준 업스케일링 방식보다 품질이 좋고 거의 같은 속도"라고 평가했습니다(discord).

foxydits의 초기 Seed Hunter 테스트에서 업스케일링된 패스와 0.2MP 원본의 비교는 다음과 같습니다.

잠재 업스케일링된 704×1216	0.2MP 원본 렌더

배경

이번 출시는 MiniMax 자체 H3 Regenerate-2K 업스케일러가 남긴 공백을 채웁니다. 팀은 AMA에서 이 업스케일러가 오픈소스로 공개되기 전에 효율성 최적화가 아직 진행 중이라고 밝혔습니다. 그동안 커뮤니티 잠재 업스케일러가 실질적인 해법이며, Tr1dae 팩은 기존 보간 기반 접근 방식 위에 학습된 네트워크 옵션을 추가합니다.