Upscale Image 节点 是 ComfyUI 中用于图像超分辨率处理的工具。它可以将低分辨率图像放大，同时尽量保留图像的细节和清晰度。该节点通过深度学习模型或其他图像处理算法，提升图像的分辨率，使得图像在放大后更加清晰，适用于增强细节或生成高分辨率图像。

一、节点功能
功能说明：该节点用于将图片通过基础算法进行分辨率调整。

输入：
image -> 接收需要调整的图像 
参数：
upscale_method -> 选择像素填充方法 该填充方法为像素计算，比如均值等
width -> 调整后的图像宽度
height -> 调整后的图像高度
crop -> 是否对图片进行裁剪 disabled表示不裁剪，center表示从中心对图片裁剪

输出：
IMAGE -> 输出调整之后的图像

注意：该方法进行扩展的图像会通过数学计算的方式进行像素点的填充，高清修复并非此过程

二、使用方法

1. 添加节点到工作流
   在 ComfyUI 的节点库中找到 Upscale Image 节点，将其拖入到工作流中。
2. 连接输入
   将需要放大的图像（如来自 Load Image 节点、生成节点 或其他图像处理节点）连接到 Upscale Image 节点 的输入端。
3. 设置参数
   根据需求设置放大倍数、选择插值算法和处理模式。 如果需要，可以调整噪声控制参数，以减少图像噪点。
4. 连接输出
   将放大后的图像连接到后续节点（如 图片预览节点）或直接保存。

三、应用场景

图像放大与细节恢复：提升低分辨率图像的质量，使其适应大尺寸显示或打印要求。 
生成高清图像：在生成过程中，通过超分辨率算法提升最终图像的分辨率，满足高质量输出需求。 
细节增强：对模糊或缺乏细节的图像进行细节恢复，提高图像的清晰度和真实感。 
视频帧增强：在视频处理中，利用该节点对每一帧进行超分辨率处理，以提升整体视频的质量。 

四、注意事项

性能要求：超分辨率尤其是使用深度学习模型时，可能对显存和计算能力有较高要求。处理高分辨率图像时，可能需要更多的显存和处理时间。 
算法选择：插值算法的选择会影响最终图像的质量与速度： 传统插值（如双线性或Lanczos）速度较快，但可能不如深度学习算法自然。 
深度学习算法（如 ESRGAN）可能会更慢，但能有效保留细节。 
噪声控制：在处理放大的图像时，注意控制噪声。放大时噪点也可能被放大，因此在选择噪声去除时要谨慎，避免过度模糊细节。 
分辨率限制：超分辨率并不是无限制地提升图像质量。在处理特别低质量的图像时，超分辨率可能无法完全恢复失真的细节，效果有限。 

五、高级用法

1. 深度学习超分辨率模型的使用
   使用 ESRGAN 或 Real-ESRGAN 等深度学习模型进行超分辨率处理，获得更高质量的放大图像，尤其适合复杂图像的细节恢复。
2. 批量图像放大
   配合 循环节点（Loop Node），可以批量放大一系列图像，适用于处理大量低分辨率图像。
3. 与生成模型结合
   将放大后的图像输入到生成模型或修复模型中，进一步提升图像质量或进行风格化处理。

六、示例工作流

基础超分辨率放大：原始图像 → Upscale Image 节点 → 图片预览节点。 
图像细节恢复：原始低分辨率图像 → Upscale Image 节点（选择 ESRGAN）→ 图片预览节点。 
批量放大图像：循环节点（批量图像） → Upscale Image 节点 → 图片预览节点。 
视频帧增强：视频帧提取节点 → Upscale Image 节点 → 视频帧保存节点。 

总结
Upscale Image 节点 是 ComfyUI 中用于图像超分辨率处理的强大工具。通过它，用户可以将低分辨率图像放大并恢复细节，适用于生成高质量图像、修复细节、增强图像清晰度等多种任务。通过不同的插值算法和深度学习模型选择，用户能够在提高图像分辨率的同时，保留图像的自然细节与清晰度。