三亩地 三亩地SAN MU DI · CODE DIARY
交流投稿
ARTICLE DETAIL

日记详情

真实记录编程学习的某一天，欢迎挑你感兴趣的翻一翻。

首页/学习日记/日记详情

ComfyUI TTP Toolset 分块重绘完整指南：用 Smart Tile 2.0 给大图逐块精修，显存不够也能玩

发布时间：2026/8/16 19:25:02 三亩地 编程学习日记
ComfyUI TTP Toolset 分块重绘完整指南：用 Smart Tile 2.0 给大图逐块精修，显存不够也能玩

ComfyUI TTP Toolset 分块重绘完整指南：用 Smart Tile 2.0 给大图逐块精修，显存不够也能玩

【免费下载链接】Comfyui_TTP_Toolsetfor tile the image for advanced control or modification项目地址: https://gitcode.com/gh_mirrors/co/Comfyui_TTP_Toolset

ComfyUI TTP Toolset 是一个围绕"分块"思路打造的 ComfyUI 节点集，它要解决的痛点是：当你想把一张大图放大、精修、局部重绘时，显卡显存总是不够用。它提供了两代分块方案——固定网格的 TTP Tile 1.0 和语义感知的 Smart Tile 2.0，后者能让机器像人一样"看哪里重要就重点处理哪里"。下面我们从一次真实的修图需求出发，把这个工具讲明白。

🧩 为什么整张图直接重绘会爆显存？先弄懂"切蛋糕"的代价

假设你有一张 8K 分辨率的人像照片，想用 Flux 或 Hunyuan 做细节重绘。直接整张喂进 img2img，VAE 编码一次就要占用大量显存，采样过程更是动辄吃掉几十 GB——大多数家用显卡只有 12~24GB，根本扛不住。

分块（Tiling）的思路就像切蛋糕：把大图切成若干小块，一块一块送进采样器，处理完再拼回去。但这引出两个问题：

  1. 怎么切？均匀切成方块最简单，但会切到人脸、文字、手部这些关键区域，导致拼接处出现断裂。
  2. 怎么拼？块与块交界处如果处理不好，会出现明显的接缝和色差。

TTP Toolset 的两代方案，恰好是这两个问题的两种答案：TTP Tile 1.0 用固定网格解决"切"，Smart Tile 2.0 用语义分块解决"切得聪明 + 拼得自然"。

🎯 Smart Tile 2.0 到底聪明在哪？它分块不是按格子，是按"对象"

TTP Tile 1.0 是这个项目最早的分块放大流程，思路很朴素：Image Tile Batch按你指定的宽高把图切成等尺寸小块，批量处理后用Image Assembly按原位置拼回，再用Padding参数压住接缝。对 Flux、Hunyuan、SD3、ControlNet Tile 这类传统固定网格放大场景，它至今依然实用。

图注：TTP Tile 1.0 的经典放大链路——先整体生成基础图，再分块放大并逐块重绘细节。

而 Smart Tile 2.0 把分块逻辑从"几何网格"升级成了"视觉对象"。它允许你建立可变尺寸的 tile：人脸可以是一块小的高细节 tile，背景可以是一整块大 tile，文字、手部、主体、服装各自成块。这样分块的数量可以自由变化（4 块、8 块、16 块都行），不再受固定格子约束。

官方推荐从TTP Smart Tile Interactive Crop节点入手。这个节点自带可视化编辑器，支持加载图片、手动框选 tile、画笔涂蒙版，还能一键执行 Auto Tile 自动分块。编辑器会把当前布局存进隐藏的layout_json控件里，工作流里随时能复用这套分块方案。

🛠️ 编辑器里能做什么？从手动框选到 SAM3.1 / QwenVL3 自动分块

TTP Smart Tile Interactive Crop的编辑器交互相当完整，几个高频操作：

  • Replace grid：用均匀网格整体替换当前布局；
  • Grid in T#：只把选中的某个 tile 继续细分，不用重建整个布局；
  • Mask to Tile：把画笔涂出的区域直接变成对象 tile；
  • Merge tiles：多选后把若干 tile 合并成一个大块；
  • Fill gaps：为未覆盖区域自动补背景 tile；
  • Auto Tile：调用 SAM3.1 或 QwenVL3 做对象检测，把检测结果写回编辑器。

自动分块由auto_detect_mode控制：sam3.1模式走 ComfyUI 官方 SAM3 Detect 路径，qwenvl3模式通过TTP QwenVL3 Local Loader读取本地模型（放在ComfyUI/models/text_encoders下），用 QwenVL 返回的 bbox 坐标生成布局。如果 Qwen 只返回一个整图大框，Smart Tile 会自动把它拆成有用的细节 tile。auto_max_tiles参数则限制最终 tile 总数，防止自动补块后布局失控。

图注：一个完整的 Smart Tile 2.0 循环工作流，从交互分块到循环采样再到最终拼合，全部节点一目了然。

✍️ 每块配一句提示词：QwenVL Prompt Set Builder 怎么自动写词

分块之后，如果所有 tile 共用同一句提示词，细节重绘就失去了意义。Smart Tile 2.0 支持逐 tile 提示词：每个 tile 可以有自己的 prompt，人脸块强调五官，衣服块强调纹理。

手写太累，官方路径是加一个TTP Smart Tile QwenVL Prompt Set Builder节点，放在循环之前：

Interactive Crop -> QwenVL Prompt Set Builder -> Semantic Rank -> Loop Source

它会用 QwenVL 看图生成每块 tile 的提示词，支持整图、单块或联系表（contact sheet）作为视觉上下文，还会按模型文件、tile 哈希、提示词和 seed 做结果缓存——重复运行时不打扰没变化的 tile。

如果你只想改个别块的提示词，TTP Smart Tile Prompt Override可以按 label 或序号筛选 tile，做替换、追加、前置或查找替换；局部 edit 场景下还能用drop_unmatched，让未选中的区域保留原图底子。

🔁 一张一张喂给采样器：Loop Source 和 Loop Collect 怎么搭循环

传统分块放大最繁琐的地方在于：16 个块就要手动复制 16 套采样器连线。Smart Tile 2.0 用两个节点解决了这个问题：

  • TTP Smart Tile Loop Source：每次输出当前一个 tile 图像和对应的提示词，送进 VAE Encode / 采样器 / VAE Decode；
  • TTP Smart Tile Loop Collect：收集处理完的 tile 并放回 tile set，然后自动推进到下一个。

采样前还可以接TTP Smart Tile Image Upscale Prep，把每个 tile 先放大再采样——它支持连接 ComfyUI 的UPSCALE_MODEL（走 tiled upscale-model 路径），没接模型时也能用 lanczos、bicubic 等插值方案。scale控制放大倍数，max_megapixels用百万像素上限卡住显存，round_to让尺寸对齐到 8 的倍数。

循环结束后，TTP Smart Tile Output Size Estimate会根据处理后的 tile 尺寸估算最终画布大小，支持median和focus_weighted两种策略——后者会加权高细节块，避免人脸、眼睛、文字这些关键块被大背景块"拖低"最终分辨率。

🧵 拼图不露马脚：Assemble 的蒙版羽化、语义层级与 final_only 策略

拼回这一步是分块方案最见功力的地方。TTP Smart Tile Assemble提供了大量组装控制：

  • assemble_mode：默认final_only，只在循环全部结束后拼合一次，比每步都重拼快得多；Loop Collect.done接Assemble.done可让未完成时只输出轻量预览；
  • mask_blend_mode：有对象蒙版时用蒙版羽化，否则用矩形羽化；
  • color_correction：可接reinhard_lab、mkl_lab、histogram等 Transfer Color 方案，参考图默认是原图；
  • small_tile_on_top：让小的细节块（脸、眼睛、文字）压在大块之上，重叠时优先显示；
  • base_canvas_mode：设为black可防止原图像素从缝隙里透出来。

真正让 Smart Tile 与"均匀切块 + 拼回"拉开差距的是语义层级。TTP Smart Tile Semantic Rank会把每个 tile 分类为背景、主体、人脸、眼睛、手、文字、细节等类别，并写入推荐 layer、priority、occlusion priority 等元数据。开启apply_composite_rank后，人脸/眼睛/文字/细节块会自动被提升到背景块之上，并标记为软叠加混合；auto_composite_policy=safe_auto会优先把这些焦点区域做成"软覆盖"而不是硬掏洞。配合TTP Smart Tile Composite Override和TTP Smart Tile Stack Order，你甚至可以用T1,T3,T2这样的顺序手动指定哪几块在最上层。

最后用TTP Smart Tile Save Final Image保存：它只保存循环结束后的最终结果，天然规避了原生 Save Image 把每个循环帧都存一遍的问题。

🚀 别乱调参：三套起步配置直接抄

如果你刚上手，从这些参数组合开始不会错：

场景推荐设置
通用手动网格grid=3x3，default_pad=32，default_blend=32~64，round_to=8
人像/细节精修Auto Tile + Qwen/SAM 提示person, face, eyes, hands, text
避免原图透出base_canvas_mode=black并确保 Fill gaps 覆盖空白区
小细节要压过大块small_tile_on_top=true，auto_composite_policy=safe_auto
高开销对齐工作流assemble_mode=final_only，接好 Loop Collect 的done

自动分块完成后，如果你只想检测一次、之后固定手改布局，记得把auto_detect_mode改回none，否则正式运行会再次替换你的布局。

📦 项目里还有什么值得玩？旧工作流与视频加速

除了 Smart Tile 2.0 主流程，这个工具集还包含几样独立装备：

  • TTP Tile 1.0 固定网格：Image Tile Batch、Image Assembly、Tile Image Size三个节点构成的传统放大链路，适合规整网格够用的场景；
  • LTX 首尾帧与中间帧控制：examples/目录下有LTX_2_First_Last_I2V_ttp_v2.json等工作流示例，对应 LTX 视频的首尾帧和中间帧控制节点；
  • Hunyuan Video TeaCache 采样器：在 NVIDIA 4090 上测试 720x480、65 帧视频，采样约 55 秒，加速约 2.1 倍——注意加速倍率过高会影响画质和动态效果，需要按项目调节；
  • 坐标与条件辅助节点：Coordinate Splitter、Cond to Batch、Condition Merge一组小工具，服务于更精细的条件控制。

图注：Hunyuan 模型下使用分块控制做 800 万像素级放大，右侧小图可见分块处理的中间结果。

🧭 想深入？从这两份示例工作流开始

官方推荐两条上手路径：完整的 Smart Tile 循环见examples/smart_tile_qwen_sam_loop_example_v2.json，Krea2 edit 采样工作流见examples/ttp_smart_tile_example_Krea2_edit.json。前者演示了推荐全链路：Interactive Crop 用 SAM3.1 自动分块 → QwenVL Prompt Set Builder 生成逐块提示词 → Semantic Rank 写语义优先级 → Loop Source 逐块送入 img2img → Image Upscale Prep 采样前放大 → Loop Collect 收集 → Output Size Estimate 估算画布 → Assemble 在 final_only 模式下一次拼合 → Save Final Image 只存最终图。

运行前只需把工作流里的扩散模型、CLIP/text encoder、VAE、LoRA、放大模型替换成本机已安装的文件即可，这份工作流主要作为连线参考，模型选择可以自由替换。

一句话总结：ComfyUI TTP Toolset 的核心价值不是"能切图"，而是"知道该怎么切、切完怎么拼"。Smart Tile 2.0 把显存受限时的超分辨率、局部重绘和细节精修，从一件碰运气的事，变成了一条清晰可控、每块都有专属提示词的流水线。

【免费下载链接】Comfyui_TTP_Toolsetfor tile the image for advanced control or modification项目地址: https://gitcode.com/gh_mirrors/co/Comfyui_TTP_Toolset

创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考

编程学习 学习日记 实战经验
← 返回列表