Wan2.1-VAE-upscale2x

Wan2.1-VAE-upscale2x

把 Wan2.1 的 VAE 解码器换成能 2 倍放大并消除斑点和颗粒噪声的版本，可用于 ComfyUI 和 diffusers。适合用 Wan 或 Qwen 模型生成图像的人。

由 spacepxl 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：这里只重新训练了 Wan2.1 VAE 的解码器，现在它在解码的同时把图像放大到两倍。它的主要作用是去掉原解码器在 Wan 图像里留下的斑点、圆点和颗粒。它在 hires fix 工作流里也很有用，因为多出来的分辨率几乎不增加计算量。第一个版本只用图像训练。

适合谁：它适合用 Wan 或 Qwen 模型生成图像、想要更干净更大的输出的人，无论是在 ComfyUI 里还是在 Python 代码里。

行业 | 谁在用 | 怎么用 | 例子
图像生成 | ComfyUI 用户 | 用 2 倍解码器解码潜变量，而不是事后再放大 | 在 hires fix 工作流里替换掉单独的放大步骤
数字艺术 | 写实图像创作者 | 通过解码器得到更干净的皮肤和头发细节 | 解码一张生成的人像，并和原解码器的结果对比
软件 | 使用 diffusers 的开发者 | 把 Wan 流水线里的 VAE 换成这个 | 用 Wan 的自编码器类加载它
研究 | VAE 研究人员 | 研究基于感知损失的仅解码器微调 | 阅读模型卡里关于 LPIPS、FDL 和 GAN 损失的说明

如果你的图像是动漫、线稿或文字，可以跳过它，因为模型卡说它几乎只用真实图像训练。

用在哪里：

• ComfyUI，配合作者的 ComfyUI-VAE-Utils 自定义节点
• 使用 diffusers 库的 Python 代码
• 装有 Python 的 Windows、macOS 或 Linux，用来下载文件

用例 | 谁用 | 得到什么
干净的解码 | 图像生成者 | 没有原解码器那种斑点和颗粒的图片
hires fix | ComfyUI 用户 | 直接从解码器得到放大 2 倍的图像
原尺寸输出 | 想要原来分辨率的人 | 稍微模糊再缩小，就能得到原尺寸下更干净的图像

如何设置：

• Python 和 Hugging Face 的 hub 包
• 使用 ComfyUI 时，需要作者 GitHub 页面上的 ComfyUI-VAE-Utils 自定义节点
• 写代码时，需要 torch 和带有 AutoencoderKLWan 类的 diffusers

1. 安装 Hugging Face 的 hub 包。
2. 下载模型文件。
3. 在 ComfyUI 里安装用于加载和解码潜变量的自定义节点。
4. 在 Python 里，按下面所示用 diffusers 从子文件夹加载 VAE。

pip install -U huggingface_hub
hf download spacepxl/Wan2.1-VAE-upscale2x

如何使用：在 ComfyUI 里，自定义节点会以和原生节点一致的方式加载 VAE 并解码潜变量。Wan wrapper 的潜变量用正确的 wrapper 节点反归一化之后也能使用。在 diffusers 里，先解码潜变量，再用像素重排把 12 个输出通道重新排列。

import torch
import torch.nn.functional as F
from diffusers import AutoencoderKLWan

vae = AutoencoderKLWan.from_pretrained("spacepxl/Wan2.1-VAE-upscale2x", subfolder="diffusers/Wan2.1_VAE_upscale2x_imageonly_real_v1")
decoder_out = vae.decode(latents, return_dict=False)[0] # [B, 12, F, H, W]
decoded_video = F.pixel_shuffle(decoder_out.movedim(2, 1), upscale_factor=2).movedim(1, 2) # pixel shuffle needs [..., C, H, W] format
# or just use decoder_out.squeeze(2) for images to convert BCFHW to BCHW

工具 | 作用
AutoencoderKLWan | 在 diffusers 里加载 VAE
vae.decode | 把潜变量变成 12 通道的输出
F.pixel_shuffle | 把这些通道重新排列成两倍大小的图像
ComfyUI-VAE-Utils | 在 ComfyUI 里加载和解码潜变量的自定义节点

示例：你用这个解码器解码一张生成的人像的潜变量。图片以两倍分辨率出来，皮肤和头发里的斑点更少。如果想要原尺寸，就稍微模糊一下再缩小回去。

新手与专家：VAE 在图片和图像模型使用的紧凑潜变量形式之间做转换。它的解码器把潜变量变回图片。这个解码器还会把图片放大到两倍。第一次可以走 ComfyUI 路线，用那些自定义节点。

从底层看，编码器保持不变并被冻结，所以潜空间得以保留，只训练解码器。解码器最后一层 Conv3d 被换掉，输出通道从 3 个变成 12 个，再用像素重排变成更大的图像。训练结合了 L1、LPIPS、FDL 和 GAN 损失，最终那次训练在一张 5090 上用了约 40 小时。

来自 Wan 或 Qwen 模型的潜变量
有 12 个输出通道的重训解码器
像素重排
两倍分辨率的图像

注意事项：

• 作者没有提供指标，因为调整是凭眼睛按人的感知质量来做的。
• 解码后的图像可能有轻微的色偏，也可能显得过于锐利。颜色匹配和模糊可以纠正这一点。
• 第一个版本只支持图像，并且和 Wan、Qwen 都兼容，因为它们共用同一个潜空间。视频版本已在计划中。
• License: Apache 2.0
• Cost to run: 未提到
• Data it reaches: 除了你给它的潜变量和文件外未提到其他内容，在本地运行
• Not for: 动漫、线稿或文字，因为训练数据几乎全是真实图像

Hugging Face 上的数据（2026年11月13日）

• 框架：diffusers
• Formats: Safetensors
• 最近 30 天下载：15,963
• 点赞：242
• 许可证：apache-2.0
• 基于：Wan-AI/Wan2.1-T2V-14B
• 标签：diffusers, safetensors

链接

• 模型：https://huggingface.co/spacepxl/Wan2.1-VAE-upscale2x
• 文件：https://huggingface.co/spacepxl/Wan2.1-VAE-upscale2x/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download spacepxl/Wan2.1-VAE-upscale2x

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。