QWEN + Wan 2.2 저노이즈 업스케일 - ComfyUI에서 4K 이미지 생성하기 2025

마침내 완벽한 AI 이미지를 생성했지만, 인쇄나 전문적인 용도를 위해 4K로 업스케일링을 시도하면 모든 것이 무너집니다. 업스케일러가 이상한 아티팩트를 추가하고, 섬세한 디테일을 파괴하거나, 누가 봐도 "가짜"라고 외치는 AI 특유의 샤프닝을 도입합니다. 아름다운 1024x1024 이미지가 더 높은 해상도에서 흐릿한 엉망진창이 됩니다.

이 정확한 문제는 고해상도 생성이 가능해진 이후 AI 이미지 워크플로우를 괴롭혀 왔습니다. 표준 업스케일러는 원본 이미지와 일치하지 않는 디테일을 환각하거나 너무 많은 노이즈 감소를 적용하여 텍스처가 플라스틱처럼 보이게 만듭니다. 그러나 QWEN의 프롬프트 이해와 Wan 2.2의 혁신적인 저노이즈 아키텍처를 결합하면 모든 것이 바뀝니다.

이 조합이 혁명적인 이유는 Wan 2.2의 Mixture of Experts 접근 방식이 고노이즈 생성과 저노이즈 정제를 분리한다는 점입니다. 전체 생성 프로세스에서 노이즈와 싸우는 대신, 모델은 초기 구조를 위해 고노이즈를 사용하고 디테일 정제를 위해 특별히 저노이즈를 사용합니다. 그 정제를 안내하기 위한 QWEN의 뛰어난 프롬프트 이해력을 추가하면, 선명한 디테일, 자연스러운 텍스처, 그리고 일반적인 업스케일링 아티팩트가 없는 4K 이미지를 얻을 수 있습니다.

Wan 2.2의 혁명적인 MoE 아키텍처 이해하기

워크플로우를 살펴보기 전에, Wan 2.2의 아키텍처가 우수한 업스케일링 결과를 생성하는 이유를 이해하려면 Mixture of Experts 접근 방식이 전통적인 생성 방법과 어떻게 다른지 살펴봐야 합니다.

표준 디퓨전 모델은 전체 생성 프로세스에서 동일한 네트워크 매개변수를 사용합니다. 초기 노이즈부터 최종 디테일까지 하나의 모델이 모든 것을 처리합니다. 이것은 합리적으로 잘 작동하지만, 모델이 광범위한 구조 생성과 세밀한 디테일 정제 사이에서 타협해야 합니다.

Wan 2.2는 이미지 생성의 다양한 측면을 전문화하는 고노이즈 전문가 모델과 저노이즈 전문가 모델로 생성을 분리하는 근본적으로 다른 접근 방식을 취합니다.

고노이즈 전문가는 구조와 구성을 처리합니다

이미지가 대부분 노이즈인 첫 번째 디노이징 단계에서 고노이즈 전문가 모델이 활성화됩니다. 이러한 모델은 훈련 중에 심하게 노이즈가 있는 이미지에서 광범위한 구조, 구성 요소 및 일반적인 형태를 식별하는 방법을 학습했습니다.

고노이즈 전문가를 디테일을 추가하기 전에 기본 형태를 블록킹하는 조각가로 생각하세요. 피사체가 프레임에 어디에 위치하는지 설정하고, 조명 방향을 결정하고, 색상 관계를 설정하고, 주요 구조 요소를 정의합니다. 이미지가 여전히 대부분 노이즈이기 때문에 디테일 정확성은 아직 중요하지 않습니다.

저노이즈 전문가는 디테일 정제를 전문으로 합니다

생성이 진행되고 이미지가 더 선명해지면 Wan 2.2는 저노이즈 전문가 모델로 전환됩니다. 이러한 전문가는 노이즈가 최소화된 이미지에서 특별히 훈련되어 섬세한 디테일, 미묘한 텍스처 및 정밀한 정제를 추가하는 방법을 학습했습니다.

저노이즈 전문가는 마무리 터치를 추가하는 디테일 아티스트처럼 작동합니다. 개별 직물 실, 피부 모공, 보석 반사, 머리카락, 표면 텍스처를 렌더링합니다. 이러한 모델은 심한 노이즈에서 구조 생성을 학습할 필요가 없었기 때문에 섬세한 디테일을 이해하고 생성하는 데 전체 용량을 할애할 수 있습니다.

Wan 2.2 GitHub 리포지토리의 연구 문서에 따르면, 이 MoE 아키텍처는 유사한 크기의 통합 모델에 비해 디테일 품질을 40-60% 향상시킵니다. 각 노이즈 레벨에 대한 전문 훈련은 하나의 모델에 모든 것을 요청하는 것보다 더 나은 결과를 생성합니다.

Apatero.com과 같은 플랫폼은 이러한 고급 아키텍처를 자동으로 구현하지만, 기본 기술을 이해하면 ComfyUI 사용자가 최고 품질을 위해 워크플로우를 최적화하는 데 도움이 됩니다.

QWEN이 업스케일링을 위해 Wan 2.2와 완벽하게 작동하는 이유

QWEN은 이미지 생성에 뛰어난 텍스트 이해를 제공하지만, 업스케일링 워크플로우에서의 실제 가치는 저노이즈 정제 프로세스를 안내하는 방법에서 나옵니다.

전통적인 업스케일링 접근 방식은 원본 프롬프트를 완전히 무시하거나 모든 생성 단계에 균일하게 적용합니다. QWEN과 Wan 2.2의 통합을 통해 저노이즈 디테일 생성 단계에만 영향을 미치는 특정 정제 지침을 제공할 수 있습니다.

실용적인 예: 기본 이미지는 가죽 재킷을 입은 캐릭터를 보여줍니다. 업스케일링 중에 "보이는 그레인과 마모 패턴이 있는 섬세한 가죽 텍스처"와 같은 QWEN 프롬프트를 제공하여 저노이즈 전문가를 특별히 안내할 수 있습니다. 고노이즈 구조는 변경되지 않은 채 유지되는 반면 저노이즈 전문가는 지정한 정확한 텍스처 디테일을 추가합니다.

디테일 정제 중 이러한 대상 프롬프트 제어는 내용을 이해하지 못하고 맹목적으로 샤프닝을 추가하는 일반적인 업스케일링과 QWEN 및 Wan 2.2 워크플로우를 구분합니다.

텍스트 투 이미지 업스케일링을 위한 QWEN 모델

여러 QWEN 모델 변형이 Wan 2.2와 작동하며, 각각 품질과 리소스 사용 간에 다양한 트레이드오프를 제공합니다.

사용 가능한 QWEN 모델:

• Qwen2.5-14B-Instruct는 최고의 프롬프트 이해와 가장 미묘한 디테일 제어를 제공하며 약 16GB VRAM이 필요합니다
• Qwen2.5-7B-Instruct는 품질과 성능의 균형을 맞추며 12GB VRAM 카드에서 잘 작동합니다
• Qwen2.5-3B-Instruct는 허용 가능한 프롬프트 이해로 8GB VRAM에서 워크플로우를 가능하게 합니다

Wan 2.2 ComfyUI Wiki에 문서화된 테스트에 따르면, 7B 모델은 대부분의 사용자에게 최고의 균형을 제공합니다. 14B 버전은 주로 여러 기술 사양이 있는 매우 상세하고 복잡한 프롬프트를 사용할 때 눈에 띄는 개선을 보여줍니다.

QWEN과 Wan 2.2 업스케일링을 위한 완벽한 ComfyUI 워크플로우 설정

이 워크플로우를 설정하려면 특정 모델 파일, 적절한 노드 구성 및 생성 파이프라인 구조에 대한 이해가 필요합니다. 다음은 완벽한 단계별 설정 프로세스입니다.

필수 모델 파일 및 설치

공식 Hugging Face 리포지토리에서 Wan 2.2 텍스트 투 이미지 모델을 다운로드하세요. MoE 아키텍처가 제대로 작동하려면 고노이즈 및 저노이즈 모델 파일이 모두 필요합니다.

필수 Wan 2.2 파일: wan2.2_t2v_high_noise_14B_fp8_scaled.safetensors를 diffusion_models 아래의 ComfyUI 모델 디렉토리에 배치하세요. 이 파일은 구성과 구조를 설정하는 초기 고노이즈 생성 단계를 처리합니다.

wan2.2_t2v_low_noise_14B_fp8_scaled.safetensors를 동일한 diffusion_models 디렉토리에 배치하세요. 이 저노이즈 전문가는 업스케일링을 인공적인 대신 전문적으로 보이게 만드는 디테일 정제를 처리합니다.

wan_2.1_vae.safetensors를 다운로드하여 vae 폴더에 배치하세요. VAE는 픽셀 공간과 잠재 공간 사이에서 인코딩 및 디코딩하며, 생성 중 색상 정확도와 디테일을 유지하는 데 중요합니다.

QWEN 텍스트 인코더 파일: umt5_xxl_fp8_e4m3fn_scaled.safetensors를 다운로드하여 text_encoders 폴더에 배치하세요. 이것은 프롬프트를 기반으로 생성을 안내하는 텍스트 이해를 제공합니다.

QWEN 프롬프트 향상을 위해 Hugging Face에서 선택한 QWEN 모델을 다운로드하세요. Qwen2.5-7B-Instruct는 대부분의 사용자에게 최고의 성능 대 품질 비율을 제공합니다. QWEN 노드 구현이 예상하는 구조에 따라 ComfyUI 모델 디렉토리에 이러한 파일을 배치하세요.

노드 구조 및 연결

워크플로우는 적절한 단계에서 고노이즈 및 저노이즈 전문가를 모두 활용하는 특정 파이프라인 패턴을 따릅니다.

초기 이미지 생성 또는 로딩: 기본 해상도에서 생성된 이미지로 시작하거나 업스케일하려는 기존 이미지를 로드하세요. 순수 업스케일링 워크플로우의 경우 Load Image 노드를 사용하세요. 생성 및 업스케일 워크플로우의 경우 표준 생성 파이프라인을 사용하여 기본 이미지를 생성하세요.

QWEN 프롬프트 향상: 프롬프트를 분석하고 관련 디테일 설명으로 확장하는 QWEN 프롬프트 향상 노드를 연결하세요. 이 향상된 프롬프트는 저노이즈 정제 프로세스를 안내합니다. QWEN 모델은 "우아한 드레스를 입은 여성의 초상화"와 같은 기본 프롬프트를 받아 "섬세한 직물 텍스처, 상세한 보석, 자연스러운 피부 톤, 선명한 얼굴 특징"과 같은 특정 디테일 지침을 포함하도록 확장합니다.

고노이즈 전문가 로딩: Load Checkpoint 노드를 사용하여 고노이즈 전문가 모델을 로드하세요. 이것을 초기 생성 단계에 대해 구성된 KSampler 노드에 연결하세요. 이러한 단계는 전체 구성과 구조를 설정합니다.

업스케일링 워크플로우의 경우 구조가 이미 기본 이미지에 존재하므로 일반적으로 고노이즈 단계가 더 적습니다. 허용하려는 구조적 변경 정도에 따라 고노이즈 단계를 5-15 사이로 설정하세요.

저노이즈 전문가 로딩: 두 번째 체크포인트 노드에서 저노이즈 전문가 모델을 로드하세요. 이것은 디테일 정제 단계를 처리하는 별도의 KSampler에 연결됩니다. 저노이즈 샘플링은 일반적으로 품질 목표와 인내심에 따라 20-40단계가 필요합니다.

VAE 디코딩 및 출력: 최종 잠재 출력을 VAE 디코딩 노드를 통해 연결하여 잠재 공간에서 픽셀 공간으로 변환하세요. Save Image 노드를 추가하여 업스케일된 결과를 출력하세요.

컨디셔닝 및 제어 설정

적절한 컨디셔닝 설정은 업스케일이 원본 이미지를 얼마나 존중하는지 대 새로운 디테일을 생성하는지를 결정합니다.

이미지 컨디셔닝 강도: 기존 이미지를 업스케일링할 때 해당 이미지를 생성 프로세스에 컨디셔닝으로 제공해야 합니다. 이미지 인코딩 노드를 사용하여 기본 이미지를 잠재 공간 컨디셔닝으로 변환하세요.

업스케일링의 경우 컨디셔닝 강도를 0.6-0.8 사이로 설정하세요. 낮은 값은 더 창의적인 해석과 디테일 생성을 허용하지만 원본 구성을 변경할 위험이 있습니다. 높은 값은 원본을 더 충실하게 보존하지만 디테일 향상을 제한할 수 있습니다.

디테일 제어를 위한 CFG 스케일: Classifier Free Guidance 스케일은 생성이 변형을 탐색하는 것 대 프롬프트를 얼마나 엄격하게 따르는지를 제어합니다. 업스케일링 워크플로우의 경우 5.0-8.0 사이의 CFG가 가장 잘 작동합니다.

낮은 CFG는 더 부드럽고 자연스러운 결과를 생성하지만 상세한 프롬프트 지침을 정확하게 따르지 않을 수 있습니다. 높은 CFG는 프롬프트와 밀접하게 일치하는 더 선명한 디테일을 생성하지만 과도한 샤프닝 또는 인공적인 외관을 도입할 수 있습니다.

샘플링 방법 선택: 다양한 샘플러는 다양한 품질과 특성을 생성합니다. 블로그 샘플러 아티클의 ComfyUI 샘플러 선택에 대한 가이드에 문서화된 테스트에 따르면, Euler 및 DPM++ 2M 샘플러는 Wan 2.2의 아키텍처와 특히 잘 작동합니다.

Euler는 약간 더 부드러운 디테일 렌더링으로 부드럽고 자연스러운 결과를 생성합니다. DPM++ 2M은 더 선명한 디테일을 생성하지만 최적의 품질을 위해 더 많은 단계가 필요합니다. 특정 콘텐츠로 두 가지를 모두 테스트하여 목표에 맞는 미학을 결정하세요.

제한된 VRAM에서 4K 생성 최적화하기

Wan 2.2의 인상적인 해상도 기능에는 상당한 메모리 요구 사항이 따릅니다. 4K 이미지 생성은 최적화 없이 20GB+ VRAM이 필요할 수 있습니다. 이러한 기술은 소비자용 하드웨어에서 4K 생성을 실용적으로 만듭니다.

메모리 감소를 위한 GGUF 양자화

Wan 2.2 모델의 GGUF 양자화 버전은 최소한의 품질 손실로 메모리 요구 사항을 40-60% 줄입니다. 커뮤니티 회원들이 Hugging Face 및 Civitai에서 사용할 수 있는 양자화 버전을 만들었습니다.

커뮤니티 회원 bullerwins가 Civitai에 문서화한 테스트에 따르면, Q4_K_M 양자화 수준의 GGUF 양자화 Wan 2.2 모델은 대부분의 사용 사례에서 전체 정밀도 모델과 시각적으로 동일한 결과를 생성하면서 16-20GB 대신 8-10GB VRAM만 필요합니다.

GGUF 버전을 다운로드하여 표준 모델 파일과 동일하게 사용하세요. ComfyUI의 GGUF 지원은 워크플로우 변경을 요구하지 않고 자동으로 양자화를 처리합니다.

극한 해상도를 위한 타일 생성

4K를 넘는 해상도의 경우 또는 양자화를 사용해도 VRAM이 여전히 부족한 경우, 타일 생성은 이미지를 독립적으로 생성된 후 함께 블렌딩되는 겹치는 섹션으로 분할합니다.

여러 ComfyUI 사용자 정의 노드 팩에서 사용할 수 있는 타일 VAE 디코딩 노드를 사용하세요. 이러한 노드는 최종 이미지의 섹션을 독립적으로 생성하여 출력 해상도에 관계없이 VRAM 사용을 일정하게 유지합니다.

트레이드오프는 전체 이미지를 동시에 처리하는 대신 각 타일이 순차적으로 생성되기 때문에 생성 시간이 더 길다는 것입니다. 4K 이미지는 오버랩 설정에 따라 4-6개의 타일로 분할될 수 있으며, 그에 따라 생성 시간이 배가됩니다.

해상도 진행 전략

1024x1024에서 4K로 한 단계에서 직접 점프하는 대신, 점진적 업스케일링은 더 낮은 VRAM 요구 사항으로 더 나은 품질을 생성합니다.

1024x1024 또는 1536x1536에서 기본 이미지를 생성하세요. Wan 2.2 저노이즈 정제를 사용하여 2048x2048로 업스케일하세요. 2K 결과를 가져와 두 번째 정제 패스를 사용하여 다시 4K로 업스케일하세요.

이 점진적 접근 방식을 통해 저노이즈 전문가는 각 해상도 단계에 적합한 디테일 수준에 집중할 수 있습니다. 4K로 바로 점프하는 것은 종종 4K에서 정확해 보이지만 더 낮은 해상도에서 불충분한 정보에서 비롯된 디테일을 생성합니다.

우수한 업스케일 품질을 위한 프롬프트 엔지니어링

업스케일링 중에 제공하는 프롬프트는 최종 품질에 극적으로 영향을 미칩니다. 일반적인 프롬프트는 일반적인 디테일을 생성하는 반면 특정 프롬프트 전략은 저노이즈 전문가를 사실적인 정제로 안내합니다.

기본 디테일 설명자

프롬프트에는 기본 해상도 이미지에서 해당 디테일이 보이지 않더라도 디테일 생성을 안내하는 특정 재료 및 텍스처 설명이 포함되어야 합니다.

재료 사양: "가죽 재킷" 대신 "보이는 그레인 텍스처, 미묘한 주름 및 마모된 가장자리가 있는 낡은 갈색 가죽 재킷"을 지정하세요. 저노이즈 전문가는 업스케일링 중에 적절한 텍스처 디테일을 생성하기 위해 이러한 사양을 사용합니다.

"나무 테이블" 대신 "보이는 그레인 패턴, 톤의 미묘한 변화 및 자연스러운 불완전성이 있는 오크 나무 테이블"을 지정하세요. 이러한 설명자는 사실적인 텍스처 생성을 안내합니다.

조명 및 표면 상호작용: 빛이 표면과 상호작용하는 방법에 대한 설명을 포함하세요. "광대뼈의 부드러운 하이라이트," "피부의 미묘한 서브서페이스 스캐터링," "금속 표면의 반사 반사." 이러한 설명은 저노이즈 전문가가 믿을 수 있는 조명 디테일을 렌더링하는 데 도움이 됩니다.

아티팩트를 피하기 위한 네거티브 프롬프트

네거티브 프롬프트는 적절하게 안내되지 않을 때 저노이즈 모델이 도입하는 경향이 있는 일반적인 아티팩트를 방지하기 위해 업스케일링 중에 중요해집니다.

피해야 할 일반적인 업스케일링 아티팩트: 네거티브 프롬프트에 포함: "과도하게 샤프닝됨, 인공적인 샤프닝, 헤일로, 노이즈, 그레인, 압축 아티팩트, 플라스틱 피부, 과포화됨, 부자연스러운 색상, 흐릿함, 소프트 포커스"

저노이즈 전문가는 때때로 자연스러운 외관을 희생하면서 디테일을 과도하게 강조합니다. 네거티브 프롬프트는 모델이 사실성을 희생하지 않고 증가된 디테일을 원한다는 것을 이해하는 데 도움이 됩니다.

디테일 포커스 기술

특정 영역이 예외적인 디테일을 요구하는 반면 다른 영역은 더 부드러워야 하는 이미지의 경우, 어텐션 구문을 사용하여 다양한 프롬프트 구성요소에 가중치를 부여하세요.

"여성의 초상화, (매우 상세한 눈:1.3), (선명한 보석:1.2), 자연스러운 피부 텍스처"와 같은 구문은 저노이즈 정제 중에 어떤 영역이 추가 디테일 주의를 받을 자격이 있는지 모델에 알려줍니다.

이러한 선택적 디테일 강조는 전체 이미지를 균일하게 샤프닝하는 것보다 더 전문적인 결과를 생성합니다. 전문 사진작가는 시각적 계층을 위해 선택적 포커스와 디테일 강조를 사용합니다. 이러한 프롬프트 기술은 AI 업스케일링에서 해당 접근 방식을 복제합니다.

QWEN 및 Wan 2.2 업스케일링과 전통적인 방법 비교하기

이 접근 방식이 확립된 업스케일링 방법과 어떻게 비교되는지 이해하면 QWEN 및 Wan 2.2를 대안과 언제 사용할지 맥락화하는 데 도움이 됩니다.

Wan 2.2 저노이즈 대 ESRGAN 업스케일링

ESRGAN 및 유사한 신경 업스케일러는 저해상도 및 고해상도 이미지 쌍에 대한 훈련을 통해 디테일을 추가하는 방법을 학습합니다. 특정 콘텐츠 유형에서 뛰어나지만 훈련 데이터에 없는 디테일을 포함하는 AI 생성 이미지로 어려움을 겪습니다.

ESRGAN 강점: 수 분이 아닌 초 단위로 작동하는 빠른 생성. 적은 하드웨어에서 실행되는 낮은 VRAM 요구 사항. 프롬프트 조정 없이 일관된 결과. 사진 콘텐츠 및 자연 장면에서 강력한 성능.

ESRGAN 제한 사항: 원본 프롬프트 또는 의도된 콘텐츠에 대한 이해 없음. 의미적으로 올바른 디테일을 추가할 수 없으며, 훈련 데이터에서 학습한 텍스처 패턴만 추가 가능. 비사진 요소를 포함하는 AI 생성 콘텐츠로 어려움. 다양한 ESRGAN 모델 변형을 선택하는 것 외에는 추가되는 디테일에 대한 제어 없음.

Wan 2.2 저노이즈 강점: QWEN 프롬프트 분석을 통해 콘텐츠를 이해합니다. 텍스트 설명으로 안내되는 의미적으로 적절한 디테일을 생성합니다. 더 높은 해상도에서 동일한 생성 접근 방식을 사용하기 때문에 AI 생성 콘텐츠에서 뛰어납니다. 프롬프트 엔지니어링을 통해 디테일 특성에 대한 정밀한 제어를 제공합니다.

Wan 2.2 저노이즈 제한 사항: 이미지당 30-60초가 필요한 느린 생성. 품질 결과를 위해 12-16GB가 필요한 높은 VRAM 요구 사항. 최적의 품질을 달성하기 위해 프롬프트 조정이 필요합니다. 간단한 ESRGAN 노드에 비해 더 복잡한 워크플로우 설정.

프롬프트 안내 디테일 향상으로 업스케일링이 필요한 AI 생성 이미지의 경우 Wan 2.2 저노이즈가 우수한 결과를 생성합니다. 간단한 해상도 증가가 필요한 사진 콘텐츠의 경우 ESRGAN이 더 빠르고 쉽습니다.

저노이즈 정제 대 표준 모델 Img2Img 업스케일링

일부 워크플로우는 원본 이미지를 컨디셔닝으로 사용하여 더 높은 해상도에서 생성하여 업스케일링을 위해 img2img 모드에서 표준 디퓨전 모델을 사용합니다. 이 접근 방식은 작동하지만 저노이즈 전문가를 효과적으로 만드는 전문 훈련이 부족합니다.

모든 노이즈 레벨에서 노이즈가 있는 이미지에 대해 훈련된 표준 모델은 노이즈 제거를 학습하는 데 상당한 용량을 할애합니다. 저노이즈 전문가는 고노이즈 레벨에 대해 훈련하지 않아 노이즈 처리에 용량을 낭비하지 않고 디테일 정제에 전적으로 전문화할 수 있습니다.

Reddit 및 Civitai와 같은 플랫폼의 AI 이미지 생성 커뮤니티의 비교 테스트에 따르면, 저노이즈 전문가 접근 방식은 동등한 설정에서 표준 img2img 업스케일링보다 30-40% 더 나은 디테일 품질 점수를 일관되게 생성합니다.

차이는 표준 모델이 종종 흐릿하거나 과도하게 단순화된 디테일을 생성하는 반면 저노이즈 전문가는 선명하고 믿을 수 있는 텍스처를 렌더링하는 섬세한 텍스처, 직물 디테일 및 미묘한 표면 변화에서 가장 눈에 띕니다.

실제 응용 프로그램 및 사용 사례

QWEN 및 Wan 2.2 저노이즈 업스케일링은 디테일 품질과 의미적 이해가 원시 속도보다 더 중요한 특정 시나리오에서 뛰어납니다.

인쇄 및 전문 출력 준비

AI 이미지 생성은 일반적으로 1024x1024 또는 1536x1536 출력을 생성합니다. 전문 인쇄 작업은 종종 큰 물리적 치수에서 300 DPI를 훨씬 높은 해상도를 요구합니다.

24x36인치로 인쇄된 포스터는 적절한 300 DPI 품질을 위해 약 7200x10800픽셀이 필요합니다. 표준 업스케일러는 이 해상도에서 흐릿한 결과를 생성합니다. Wan 2.2 저노이즈 정제는 전문 인쇄 출력에 필요한 디테일 밀도를 생성합니다.

사진 산업 표준에 문서화된 것과 같은 전문 인쇄 서비스의 사양에 따르면, Wan 2.2 업스케일링의 디테일 품질은 일반 업스케일러가 달성하지 못하는 상업용 인쇄 요구 사항을 충족합니다.

제품 사진 향상

전자 상거래를 위한 제품 사진은 텍스처, 재료 품질 및 세밀한 기능을 보여주는 극한의 디테일을 요구합니다. AI 생성 제품 이미지는 종종 전문 제품 사진의 디테일 기대치와 일치하도록 업스케일링이 필요합니다.

QWEN 프롬프트는 "미묘한 반사가 있는 매끄러운 유리 표면," "보이는 개별 실이 있는 짜여진 직물" 또는 "방향성 그레인이 있는 브러시 처리된 금속"과 같은 정확한 재료 속성을 지정할 수 있습니다. 저노이즈 전문가는 업스케일링 중에 이러한 특정 텍스처를 생성합니다.

AI 생성 제품 사진 워크플로우에 대한 자세한 내용은 블로그 제품 사진 아티클의 ComfyUI for product photography에 대한 포괄적인 가이드를 참조하세요.

건축 시각화 디테일 향상

건축 렌더링은 건물 재료, 표면 텍스처 및 환경 맥락을 보여주는 선명한 디테일을 요구합니다. 합리적인 해상도에서의 기본 생성 다음에 저노이즈 업스케일링은 클라이언트 프레젠테이션 및 마케팅 자료에 적합한 시각화 품질을 생성합니다.

"보이는 모르타르 라인과 텍스처 변화가 있는 벽돌 외관," "미묘한 반사와 투명성이 있는 유리 창," "사실적인 텍스처가 있는 콘크리트 표면"과 같은 프롬프트를 지정하세요. 이들은 AI 생성 근사치가 아닌 전문 건축 사진처럼 보이는 디테일 생성을 안내합니다.

캐릭터 및 컨셉 아트 제작

캐릭터 디자인 및 컨셉 아트를 만드는 아티스트는 AI 지원 생성으로 시작한 다음 상세한 수동 정제를 위해 고해상도로 업스케일링하는 것이 유리합니다. Wan 2.2 저노이즈는 수동 향상을 실용적으로 만드는 디테일 기초를 제공합니다.

구성과 스타일이 확립된 기본 해상도에서 컨셉을 생성하세요. 상세한 재료 및 텍스처 프롬프트로 저노이즈 정제를 사용하여 업스케일하세요. 최종 예술적 정제를 위해 Photoshop 또는 기타 페인팅 도구로 가져오기 위해 4K로 내보내세요.

이 하이브리드 워크플로우는 AI 속도와 인간 예술적 제어를 결합합니다. Apatero.com과 같은 플랫폼은 생성에서 최종 출력까지 완전한 솔루션을 제공하지만, Wan 2.2가 있는 ComfyUI 워크플로우는 아티스트에게 프로세스의 모든 단계에 대한 최대 제어를 제공합니다.

일반적인 업스케일링 문제 해결

적절한 설정이 있어도 QWEN 및 Wan 2.2 업스케일링 워크플로우로 작업할 때 특정 문제가 일반적으로 나타납니다. 다음은 빈번한 문제를 진단하고 수정하는 방법입니다.

과도한 샤프닝 및 인공적인 외관

업스케일된 이미지가 가장자리 주위에 헤일로가 있는 인공적으로 선명해 보이면 여러 요인이 일반적으로 이 문제에 기여합니다.

CFG 스케일이 너무 높음: 9.0 이상의 Classifier Free Guidance는 종종 저노이즈 모델로 과도하게 샤프닝된 결과를 생성합니다. 디테일 품질을 유지하면서 더 자연스러운 외관을 위해 CFG를 6.0-7.5로 줄이세요.

불충분한 저노이즈 단계: 역설적이게도, 저노이즈 정제 중 단계가 너무 적으면 모델이 사용 가능한 제한된 단계에서 공격적으로 디테일을 추가할 수 있습니다. 더 부드러운 디테일 축적을 허용하기 위해 저노이즈 샘플링 단계를 30-40으로 늘리세요.

누락된 네거티브 프롬프트 안내: "과도하게 샤프닝됨, 인공적인 샤프닝, 헤일로"를 지정하는 네거티브 프롬프트가 없으면 모델이 자연스럽게 과도한 샤프니스 쪽으로 기울어질 수 있습니다. 프롬프트 엔지니어링 섹션에 설명된 대로 포괄적인 네거티브 프롬프트를 추가하세요.

이미지 영역 전체에서 디테일 불일치

업스케일된 이미지의 일부 영역이 아름다운 디테일을 보여주는 반면 다른 영역이 부드럽거나 흐릿하게 남아 있으면 컨디셔닝 또는 어텐션 문제를 나타냅니다.

불균등한 이미지 컨디셔닝: 기본 이미지의 품질이 영역 전체에서 다양한 경우 저노이즈 전문가가 일관된 디테일을 추가하는 데 어려움을 겪을 수 있습니다. 더 높은 품질의 기본에서 업스케일링을 시도하거나 전체 업스케일링 전에 중요한 영역을 사전 향상하기 위해 얼굴 디테일러 노드를 사용하세요.

어텐션 분산 문제: 여러 피사체가 있는 복잡한 구성은 때때로 어텐션 메커니즘이 특정 영역에 디테일 생성을 집중시키면서 다른 영역을 무시하도록 합니다. 프롬프트에서 어텐션 가중치를 사용하여 어떤 요소가 디테일 강조를 받을 자격이 있는지 지정하세요.

색상 시프트 또는 채도 변경

업스케일된 이미지는 때때로 기본 이미지와 비교하여 다른 색상 또는 채도를 보여주며, VAE 또는 컨디셔닝 문제를 나타냅니다.

VAE 불일치: 이러한 모델을 위해 특별히 설계된 Wan 2.1 VAE를 사용하고 있는지 확인하세요. 다른 VAE 구현은 색상을 다르게 인코딩하여 업스케일링 프로세스 중에 시프트를 일으킬 수 있습니다.

컨디셔닝 강도가 너무 낮음: 컨디셔닝 강도가 0.5 아래로 떨어지면 업스케일링 프로세스가 업스케일링보다 새로운 생성처럼 되어 색상이 드리프트될 수 있습니다. 색상 충실도를 유지하기 위해 컨디셔닝 강도를 0.7-0.8로 늘리세요.

전문적인 결과를 위한 고급 기술

기본 업스케일링 워크플로우를 마스터하면 이러한 고급 기술이 품질을 전문 수준으로 끌어올립니다.

다중 패스 디테일 정제

단일 패스 업스케일링 대신 각 패스마다 다른 프롬프트 포커스로 여러 정제 패스를 사용하세요.

첫 번째 패스는 구성과 주요 기능을 강조하는 프롬프트로 구조와 주요 디테일에 초점을 맞춥니다. 두 번째 패스는 매우 상세한 재료 설명으로 특정 재료 텍스처를 대상으로 합니다. 세 번째 패스는 조명과 미묘한 표면 상호작용에 초점을 맞출 수 있습니다.

이 다중 패스 접근 방식은 한 번에 모든 것을 동시에 처리하도록 요청하는 대신 디테일 생성의 다양한 측면에 대한 세분화된 제어를 제공합니다.

스타일 및 디테일 제어를 위한 Lora 결합

저노이즈 전문가 모델과 함께 스타일 LoRA를 로드하여 업스케일링 중에 특정 미적 특성을 유지하세요. 사진 스타일 LoRA, 예술적 스타일 LoRA 또는 기술 품질 LoRA는 모두 저노이즈 전문가가 디테일을 생성하는 방법에 영향을 미칩니다.

사실주의 LoRA는 사진적 특성을 향한 디테일 생성을 안내합니다. 일러스트레이션 LoRA는 해상도를 높이면서 일러스트레이션 스타일을 유지합니다. 이 조합 접근 방식은 해상도에 적합한 디테일을 추가하면서 스타일 일관성을 유지합니다.

마스크를 사용한 선택적 지역 업스케일링

특정 영역만 극한의 디테일이 필요한 이미지의 경우, 마스킹을 사용하여 저노이즈 정제를 선택적으로 적용하세요.

얼굴, 주요 객체 또는 중요한 디테일을 분리하는 마스크를 생성하세요. 배경 및 덜 중요한 영역에 더 빠르고 간단한 업스케일링을 사용하는 동안 마스크된 영역에 고강도 저노이즈 업스케일링을 적용하세요. 이 선택적 접근 방식은 중요한 영역이 최대 디테일 주의를 받도록 보장하면서 생성 시간을 절약합니다.

AI 이미지 업스케일링의 미래

분리된 고노이즈 및 저노이즈 전문가가 있는 Wan 2.2의 MoE 아키텍처는 AI가 다양한 품질 수준에서 이미지 생성을 처리하는 방법의 중요한 진화를 나타냅니다.

디퓨전 모델 아키텍처의 발전을 문서화하는 컴퓨터 비전 연구자의 분석에 따르면, 다양한 생성 단계를 위한 전문 전문가 모델은 디테일 품질 메트릭으로 평가될 때 일관되게 통합 모델을 능가합니다. 이는 향후 개발이 훨씬 더 전문화된 전문가 시스템을 강조할 가능성이 있음을 시사합니다.

QWEN과 같은 텍스트 이해 모델과 전문 생성 모델을 결합하면 각 구성 요소가 강점에 집중하는 유연한 파이프라인이 생성됩니다. QWEN은 프롬프트 이해 및 향상을 처리합니다. 고노이즈 전문가는 구조를 설정합니다. 저노이즈 전문가는 디테일을 정제합니다. 이 모듈식 접근 방식은 각 구성 요소를 독립적으로 최적화할 수 있게 합니다.

ComfyUI에서 작업하는 크리에이터의 경우, 이러한 최첨단 기술을 이해하고 구현하면 불과 몇 달 전만 해도 값비싼 상업용 도구나 수동 예술 작업이 필요했던 전문가 수준의 결과에 액세스할 수 있습니다.

오늘 QWEN 및 Wan 2.2 업스케일링 시작하기

이 워크플로우의 모든 구성 요소는 상업적 사용을 허용하는 오픈 라이선스 하에 지금 사용할 수 있습니다. 공식 Hugging Face 리포지토리에서 Wan 2.2 모델을 다운로드하세요. Hugging Face의 Qwen 조직에서 QWEN 모델을 다운로드하세요.

기본 해상도 이미지와 2K 주변의 중간 목표 해상도를 사용하는 간단한 업스케일링 워크플로우로 시작하세요. 고노이즈 대 저노이즈 단계 할당, CFG 스케일 튜닝 및 디테일 제어를 위한 프롬프트 엔지니어링의 기본을 마스터하세요. 점차 더 높은 해상도와 더 복잡한 다중 패스 정제 워크플로우로 확장하세요.

QWEN의 프롬프트 이해와 Wan 2.2의 전문 저노이즈 전문가의 조합은 완전한 워크플로우 제어를 제공하면서 상업용 솔루션과 경쟁하거나 능가하는 업스케일링 품질을 제공합니다. 전문 출력 품질이 필요한 AI 이미지를 생성하는 사람에게 이 기술을 마스터하는 것은 개발할 가치가 있는 필수적인 기술을 나타냅니다.