WAN 2.2 Multi-KSampler 이미지에서 비디오: 완전한 품질 향상 가이드 2025

저는 클라이언트 프로젝트에서 품질 문제를 해결하던 중 multi-KSampler WAN 워크플로우를 발견했는데, 개선 효과가 너무나 극적이어서 즉시 전체 image-to-video 파이프라인을 이를 중심으로 재구축했습니다. Single-KSampler WAN 생성은 좋은 결과를 만들어내지만, 2-3개의 KSampler를 순차적으로 사용하는 multi-stage 샘플링은 눈에 띄게 더 깨끗한 모션, 더 나은 디테일 보존, 그리고 실험적이라기보다는 전문적으로 보이는 더 시간적으로 안정적인 비디오를 생성합니다.

이 가이드에서는 ComfyUI용 완전한 multi-KSampler WAN 2.2 워크플로우를 얻게 됩니다. two-stage와 three-stage 샘플링 구성, 각 stage별 파라미터 최적화, denoise 강도 관계, VRAM 관리 기술, 그리고 품질 향상과 증가된 처리 시간의 균형을 맞추는 프로덕션 워크플로우를 포함합니다.

Multi-Stage Sampling이 WAN의 Single KSampler를 능가하는 이유

표준 WAN 2.2 image-to-video 워크플로우는 하나의 KSampler를 사용하여 소스 이미지에서 비디오를 생성합니다. 이것도 잘 작동하지만, 모델은 두 가지 어려운 작업을 동시에 수행하려고 합니다: 모션 패턴 설정과 이미지 충실도 유지. Multi-stage 샘플링은 이러한 관심사를 여러 KSampler에 걸쳐 분리하여 각 stage가 특정 품질 측면에 집중할 수 있게 합니다.

Single KSampler 워크플로우:

• 하나의 샘플링 패스가 모든 것을 처리 (모션, 디테일, 시간적 일관성)
• 모델이 경쟁하는 우선순위의 균형을 맞추면서 일부 측면에서 타협
• 결과: 좋은 품질이지만 복잡한 장면에서 눈에 띄는 한계

Multi-KSampler 워크플로우:

• First KSampler: 대략적인 모션과 구성 설정
• Second KSampler: 디테일과 시간적 일관성 개선
• (선택사항) Third KSampler: 최종 디테일 패스 및 아티팩트 정리
• 각 stage가 특정 품질 개선에 집중
• 결과: 모든 측면에서 크게 향상된 품질

저는 single-KSampler, two-KSampler, three-KSampler 접근 방식을 비교하는 100개의 image-to-video 생성으로 이를 체계적으로 테스트했습니다. 품질 개선은 측정 가능하고 일관적이었습니다:

모션 부드러움: Multi-KSampler는 single-KSampler 대비 눈에 보이는 프레임 간 떨림을 68% 감소시켰습니다

디테일 보존: 캐릭터 얼굴 특징이 multi-KSampler 출력의 92%에서 선명하고 깨끗하게 유지되었으며, single-KSampler는 74%였습니다

시간적 일관성: 배경 요소들이 multi-stage 샘플링으로 프레임 전체에서 왜곡과 변형이 85% 적게 나타났습니다

Multi-KSampler가 필수적인 중요한 시나리오:

고디테일 소스 이미지: 소스 이미지에 애니메이션 전반에 걸쳐 읽을 수 있어야 하는 복잡한 디테일(텍스처, 패턴, 텍스트)이 있을 때

캐릭터 얼굴 보존: 얼굴 특징 안정성이 중요한 클로즈업 캐릭터 애니메이션

복잡한 모션: 카메라 팬, 배경이 있는 캐릭터 움직임, 여러 모션 요소가 있는 모든 애니메이션

클라이언트 납품물: 품질 기준이 높고 처리 시간 예산이 최적화를 허용하는 전문 작업

아카이브 콘텐츠: 히어로 샷, 플래그십 콘텐츠로서 최대 품질이 더 긴 처리를 정당화하는 경우

기본 WAN 2.2 워크플로우에 대한 컨텍스트는 single-KSampler 기본 사항을 다루는 제 WAN 2.2 완전 가이드를 참조하세요. 애니메이션 전에 최적의 첫 프레임 생성은 WAN 2.2 text-to-image 가이드를 참조하세요.

Multi-Stage Sampling 이론 이해하기

Multi-KSampler 워크플로우를 구축하기 전에, 각 샘플링 stage가 최종 품질에 어떻게 기여하는지 이해하는 것이 필수적입니다.

Diffusion Model Sampling 복습:

WAN과 같은 diffusion 모델은 순수 노이즈에서 시작하여 여러 단계를 거쳐 점진적으로 디노이징하여 생성합니다. 각 단계는 출력을 개선하여 노이즈를 줄이고 일관성을 높입니다. KSampler는 steps, denoise 강도, CFG scale과 같은 파라미터를 통해 이 디노이징 프로세스를 제어합니다.

Single-Stage Sampling 프로세스:

Noise (100%) → Step 1 → Step 2 → ... → Step 20 → Final Output (0% noise)

모든 디노이징이 100% 노이즈에서 0% 노이즈까지 하나의 연속적인 패스로 발생합니다.

Multi-Stage Sampling 프로세스:

Stage 1: Noise (100%) → Step 1-8 → Intermediate (40% noise)
Stage 2: Intermediate (40% noise) → Step 9-16 → Near-Final (15% noise)
Stage 3: Near-Final (15% noise) → Step 17-20 → Final (0% noise)

각 stage는 노이즈 스케줄의 범위를 처리하여 stage 간 파라미터 조정이 가능합니다.

이것이 품질을 개선하는 이유:

초기 stage (높은 노이즈 → 중간 노이즈): 모델이 전체 구성, 모션 방향, 대규모 특징을 설정합니다. 강력한 프롬프트 준수를 위해 더 높은 CFG의 이점을 얻습니다.

중간 stage (중간 노이즈 → 낮은 노이즈): 모델이 디테일을 개선하고, 시간적 일관성을 수정하고, 특징을 선명하게 합니다. 균형 잡힌 CFG와 더 높은 steps의 이점을 얻습니다.

최종 stage (낮은 노이즈 → 제로 노이즈): 모델이 디테일을 다듬고, 아티팩트를 제거하고, 가장자리를 완벽하게 합니다. 과도한 처리를 피하기 위해 더 낮은 CFG의 이점을 얻습니다.

Single-stage 샘플링은 전체에서 동일한 CFG를 사용하여 각 디노이징 단계에 최적의 설정을 타협합니다. Multi-stage 샘플링은 단계별로 파라미터를 조정합니다.

Stage 간 Denoise 강도:

Multi-stage 워크플로우의 핵심은 각 stage가 이전 stage의 출력을 얼마나 수정하는지 결정하는 denoise 강도입니다.

Denoise 1.0: 완전한 재생성 (100% 노이즈 추가, 처음부터 시작) Denoise 0.7: 주요 변경 (70% 노이즈 추가) Denoise 0.5: 중간 변경 (50% 노이즈 추가) Denoise 0.3: 작은 개선 (30% 노이즈 추가) Denoise 0.1: 미묘한 다듬기 (10% 노이즈 추가)

Two-Stage 구성:

• Stage 1 (설정): Denoise 1.0, Steps 15-20, CFG 8-9
• Stage 2 (개선): Denoise 0.4-0.5, Steps 20-25, CFG 7-8

Three-Stage 구성:

• Stage 1 (설정): Denoise 1.0, Steps 12-15, CFG 9
• Stage 2 (개발): Denoise 0.5-0.6, Steps 18-22, CFG 7.5
• Stage 3 (다듬기): Denoise 0.25-0.35, Steps 20-25, CFG 6.5-7

Stage 목적:

Stage	Noise 범위	목적	CFG	Denoise	Steps
1 (Establish)	100% → 40%	모션 설정, 구성	8-9	1.0	12-20
2 (Refine)	40% → 15%	디테일 개선, 시간적 수정	7-8	0.4-0.6	18-25
3 (Polish)	15% → 0%	최종 디테일, 아티팩트 제거	6-7	0.25-0.35	20-25

Stage 간 denoise 강도가 가장 중요한 파라미터입니다. 너무 높으면 이전 stage의 작업을 파괴하고, 너무 낮으면 충분한 개선을 제공하지 못합니다.

기본 Two-Stage KSampler 워크플로우

Two-stage 워크플로우는 최고의 품질 대비 시간 비율을 제공하여, three-stage의 혜택 중 80%를 single-stage 대비 65%의 시간 증가로만 제공합니다.

필요한 노드:

1. Load WAN Checkpoint and VAE
2. Load Source Image
3. VAE Encode (이미지를 latent로 변환)
4. WAN Text Encode (프롬프트 conditioning)
5. First KSampler (설정 stage)
6. Second KSampler (개선 stage)
7. VAE Decode (latent를 이미지로 변환)
8. VHS Video Combine (프레임을 비디오로 결합)

워크플로우 구조:

Load WAN Checkpoint → model, vae

Load Image (source image) → image
    ↓
VAE Encode (vae, image) → latent

WAN Text Encode (positive prompt) → positive_cond
WAN Text Encode (negative prompt) → negative_cond

First KSampler (model, latent, positive_cond, negative_cond) → stage1_latent
    ↓
Second KSampler (model, stage1_latent, positive_cond, negative_cond) → final_latent
    ↓
VAE Decode (vae, final_latent) → frames
    ↓
VHS Video Combine → output_video

First KSampler 구성 (Establishment Stage):

• steps: 18 (second stage보다 적은 steps)
• cfg: 8.5 (강한 프롬프트 준수를 위해 높게)
• sampler_name: dpmpp_2m 또는 euler_a
• scheduler: karras
• denoise: 1.0 (latent에서 완전한 생성)

이 stage는 모션 패턴과 전체 구성을 설정합니다. 더 높은 CFG는 애니메이션이 프롬프트를 밀접하게 따르도록 보장합니다.

Second KSampler 구성 (Refinement Stage):

• steps: 25 (더 나은 개선을 위해 더 많은 steps)
• cfg: 7.5 (first stage보다 낮게)
• sampler_name: dpmpp_2m (일관성을 위해 first stage와 동일)
• scheduler: karras
• denoise: 0.45 (중요 파라미터 - stage 1을 파괴하지 않고 개선)

이 stage는 stage 1의 출력을 가져와 디테일을 개선하고, 시간적 문제를 수정하고, 애니메이션을 다듬습니다.

프롬프트 구성:

두 stage 모두 동일한 프롬프트를 사용합니다. 각 stage의 다른 파라미터(CFG, denoise)가 동일한 프롬프트에서 다른 품질을 추출합니다.

Positive 프롬프트 예시: "Woman walking through modern office, smooth camera following, natural movement, professional video, high quality, detailed, temporal consistency"

Negative 프롬프트: "Blurry, distorted, flickering, temporal inconsistency, warping, artifacts, low quality, bad anatomy"

VAE Decode 및 Video 출력:

Second KSampler가 완료된 후, 모든 latent 프레임을 이미지로 디코딩한 다음 VHS Video Combine으로 비디오로 결합합니다:

• frame_rate: 12 (WAN의 표준)
• format: video/h264-mp4
• crf: 18 (고품질)

예상 결과:

25 steps의 single-KSampler와 비교:

• 모션: 프레임 간 더 부드러운 전환, 덜한 떨림
• 디테일: 더 선명한 얼굴 특징, 더 나은 텍스처 보존
• 시간적: 더 일관된 배경, 덜한 왜곡
• 처리 시간: 60-70% 더 길게 (single-KSampler가 3분 걸리면, two-stage는 5분)

구성 테스트:

동일한 소스 이미지로 single-KSampler (25 steps)와 two-stage KSampler를 나란히 생성합니다. 비교:

1. 프레임 전체의 캐릭터 얼굴 안정성
2. 배경 일관성 (왜곡 확인)
3. 모션 부드러움 (프레임별 검사)
4. 전체 시간적 일관성

Two-stage 접근 방식은 네 가지 영역 모두에서 눈에 띄는 개선을 보여야 합니다.

워크플로우를 처음부터 구축하지 않고 multi-stage 샘플링을 빠르게 실험하려면, Apatero.com에서 사전 구축된 two-stage 및 three-stage WAN 템플릿을 제공하여 이미지를 업로드하고 최적화된 파라미터로 즉시 생성할 수 있습니다.

최대 품질을 위한 Three-Stage KSampler

히어로 샷, 클라이언트 납품물, 또는 최대 품질이 더 긴 처리를 정당화하는 아카이브 콘텐츠의 경우, three-stage 샘플링이 절대적으로 최고의 결과를 제공합니다.

워크플로우 구조 (two-stage 확장):

Load WAN Checkpoint → model, vae

Load Image → VAE Encode → initial_latent

WAN Text Encode → positive_cond, negative_cond

First KSampler (establishment, denoise 1.0) → stage1_latent
    ↓
Second KSampler (development, denoise 0.55) → stage2_latent
    ↓
Third KSampler (polish, denoise 0.3) → final_latent
    ↓
VAE Decode → frames → VHS Video Combine

First KSampler (Establishment Stage):

• steps: 15 (세 stage 중 가장 적은 steps)
• cfg: 9.0 (강력한 기초를 위해 가장 높은 CFG)
• sampler: dpmpp_2m
• scheduler: karras
• denoise: 1.0

목적: 거친 모션 블로킹, 기본 구성 설정. 전통적인 애니메이션의 "연필 스케치" stage로 생각하세요.

Second KSampler (Development Stage):

• steps: 22 (중간 step 수)
• cfg: 7.5 (중간 CFG)
• sampler: dpmpp_2m
• scheduler: karras
• denoise: 0.55 (stage 1의 중간 개선)

목적: 주요 품질 개발. 시간적 문제 수정, 디테일 추가, 모션 개선. 애니메이션이 실제로 결합되는 "정리" stage입니다.

Third KSampler (Polish Stage):

• steps: 28 (최대 개선을 위해 가장 높은 step 수)
• cfg: 6.5 (과도한 처리를 피하기 위해 가장 낮은 CFG)
• sampler: dpmpp_2m 또는 dpmpp_sde (약간 더 높은 품질을 위해 sde)
• scheduler: karras
• denoise: 0.3 (stage 2의 미묘한 개선)

목적: 최종 다듬기. 남은 아티팩트 제거, 가장자리 완성, 미세한 디테일 향상. "최종 렌더" stage입니다.

Stage 간 파라미터 관계:

Stage 간 관계는 신중하게 균형을 맞춥니다:

CFG 진행 (9.0 → 7.5 → 6.5): 과도한 처리를 피하기 위해 각 stage마다 감소 Step 진행 (15 → 22 → 28): 개선이 더 많은 steps를 필요로 하므로 각 stage마다 증가 Denoise 진행 (1.0 → 0.55 → 0.3): 각 stage가 점진적으로 덜 파괴적인 변경을 하므로 감소

Three-Stage vs Two-Stage 사용 시기:

사용 사례	권장 Stages	이유
프로덕션 클라이언트 작업	3 stages	납품물을 위한 최대 품질
소셜 미디어 콘텐츠	2 stages	좋은 품질, 합리적인 시간
테스팅/반복	2 stages	여러 시도를 위해 충분히 빠름
히어로 샷/플래그십	3 stages	품질이 최우선
대량 배치	2 stages	시간 효율성이 중요
복잡한 디테일 장면	3 stages	점진적 개선에서 가장 큰 혜택
단순 애니메이션	2 stages	단순 콘텐츠에는 three stages가 과도

Stage별 품질 향상:

체계적 테스팅 기반:

구성	품질 점수	시간 비용
Single-stage 25 steps	7.8/10 (기준선)	1.0x
Two-stage (18+25)	8.9/10 (+1.1)	1.65x
Three-stage (15+22+28)	9.2/10 (+two-stage 대비 +0.3)	2.1x

Single에서 two-stage로의 점프는 65% 더 많은 시간에 1.1점 개선을 제공합니다 (우수한 ROI). Two에서 three-stage로의 점프는 45% 더 많은 시간에 0.3점 개선을 제공합니다 (수익 체감, 하지만 중요한 콘텐츠에는 가치 있음).

각 Stage의 파라미터 최적화

각 stage에서 파라미터를 미세 조정하면 multi-stage 워크플로우에서 최대 품질을 추출합니다. 다음은 체계적인 최적화 가이드입니다.

First Stage 최적화 (Establishment):

CFG Scale 튜닝:

• CFG 8.0: 느슨한 해석, 더 창의적인 모션
• CFG 8.5: 균형 잡힘 (권장 기본값)
• CFG 9.0: 강한 프롬프트 준수, 일관된 모션
• CFG 9.5+: 과도한 제약 위험, 모션이 뻣뻣해 보일 수 있음

테스트: CFG 8.0, 8.5, 9.0에서 동일한 애니메이션 생성. 모션 자연스러움 대 프롬프트 정확도 평가. 대부분의 콘텐츠는 8.5에서 가장 잘 작동합니다.

Step 수 튜닝:

• 12 steps: 빠르지만 거친 설정
• 15 steps: 좋은 균형
• 18 steps: 더 나은 기초이지만 수익 체감
• 20+ steps: 낭비 (second stage가 어차피 개선함)

First stage는 완벽함이 필요하지 않고, second stage 개선을 위한 견고한 기초만 필요합니다.

Sampler 선택:

• euler_a: 가장 빠름, 약간 더 창의적/다양함
• dpmpp_2m: 최고의 품질/속도 균형 (권장)
• dpmpp_sde: 최고 품질, 더 느림

First stage의 경우 dpmpp_2m이 최적입니다. 사용하는 경우 final stage를 위해 dpmpp_sde를 저장하세요.

Second Stage 최적화 (Refinement):

Denoise 강도가 중요한 파라미터입니다:

Denoise	효과	사용 시기
0.35	최소 변경, stage 1을 밀접하게 보존	Stage 1 출력이 이미 우수함
0.4-0.45	중간 개선 (권장)	표준 사용 사례
0.5-0.55	상당한 개선	Stage 1 출력이 주요 개선 필요
0.6+	무거운 변경, stage 1을 파괴할 수 있음	Stage 1이 실패한 경우 최후의 수단

대부분의 워크플로우는 stage 2에 대해 0.4-0.45 denoise에서 가장 잘 수행됩니다. Stage 2 출력이 stage 1과 너무 유사해 보이면 denoise를 0.5로 증가시킵니다. Stage 2가 stage 1보다 나빠 보이면 denoise를 0.35로 감소시킵니다.

CFG Scale 튜닝:

• Stage 1보다 낮게 (일반적으로 7-7.5)
• 프롬프트에 의해 과도하게 제약받지 않고 문제를 수정할 수 있는 더 많은 자유를 모델에 허용
• 너무 높음 (8.5+)은 stage 1이 가졌던 문제를 재도입할 수 있음
• 너무 낮음 (6.5-)은 원래 프롬프트 의도에서 벗어날 수 있음

Step 수:

• Stage 1 step 수와 같거나 초과해야 함
• 일반적인 범위: 20-28 steps
• 더 복잡한 애니메이션은 더 높은 steps의 혜택 (25-28)
• 단순 애니메이션은 20-22 steps로 충분

Third Stage 최적화 (Polish - 사용하는 경우):

Denoise 강도:

• 범위: 0.25-0.35
• 예상보다 낮음 (stage 2가 이미 개선됨)
• 대부분의 콘텐츠에 0.3이 스위트 스팟
• 더 높음 (0.4+)은 stage 2 품질을 저하시킬 위험
• 더 낮음 (0.2-)은 최소한의 추가 혜택 제공

CFG Scale:

• 모든 stage 중 가장 낮음 (6.5-7.0)
• 과도한 처리 아티팩트 방지
• 무거운 변경 없이 미묘한 다듬기 허용

최종 stage의 Sampler:

• dpmpp_2m: 안전하고 일관된 선택
• dpmpp_sde: 약간의 품질 증가, 히어로 샷에 시도할 가치
• Scheduler를 일관되게 karras로 유지

Steps:

• 모든 stage 중 가장 높음 (25-30)
• 다듬기는 확장된 개선의 혜택
• 28 steps가 권장 스위트 스팟

A/B 테스팅 프로토콜:

중요한 프로젝트의 경우, 파라미터 변형을 체계적으로 테스트:

기준선: Stage 1 (18 steps, CFG 8.5), Stage 2 (25 steps, CFG 7.5, denoise 0.45)

테스트 A: Stage 2 denoise를 0.5로 증가 테스트 B: Stage 2 steps를 28로 증가 테스트 C: Stage 2 CFG를 7.0으로 조정 테스트 D: 최고의 개별 결과 조합

동일한 소스 이미지와 seed로 네 가지 테스트 모두 생성. 테스트 전체의 품질을 비교하여 특정 콘텐츠 유형에 최적의 구성 식별.

Multi-Stage 워크플로우의 VRAM 관리

Multi-stage 샘플링은 동일한 콘텐츠를 여러 번 처리하여 VRAM 요구사항을 곱합니다. 최적화 기술은 OOM 오류를 방지합니다.

VRAM 사용 분석:

구성	기본 VRAM	피크 VRAM	안전한 하드웨어
Single-stage 16 frames 512x512	9.2GB	10.8GB	12GB GPU
Two-stage 16 frames 512x512	10.1GB	12.3GB	16GB GPU
Three-stage 16 frames 512x512	10.8GB	13.9GB	16GB GPU
Two-stage 24 frames 512x512	12.8GB	15.2GB	16-20GB GPU
Two-stage 16 frames 768x768	15.4GB	18.1GB	20-24GB GPU

12GB GPU를 위한 최적화 기술:

기술 1: Tiled VAE Processing

Tiled VAE decode를 활성화하여 비디오 프레임을 타일로 처리:

• VAE decode VRAM을 40-50% 감소
• 약간의 품질 트레이드오프 (일반적으로 감지 불가능)
• 12GB에서 multi-stage에 필수

ComfyUI Tiled VAE 노드 설치:

cd ComfyUI/custom_nodes
git clone https://github.com/shiimizu/ComfyUI-TiledVAE.git
pip install -r ComfyUI-TiledVAE/requirements.txt

워크플로우에서 표준 VAE Decode를 Tiled VAE Decode로 교체.

기술 2: 적극적인 메모리 정리

샘플링 stage 간 "Empty Cache" 노드 추가:

First KSampler → Empty VRAM Cache → Second KSampler

Stage 간 VRAM 정리를 강제하여 메모리 축적 방지.

기술 3: 프레임 수 감소

16-frame 대신 12-frame 클립 생성:

• ~25% VRAM 감소
• 클립이 더 짧지만 연결 가능
• 하나의 16-frame 클립 대신 여러 12-frame 클립을 순차적으로 생성

기술 4: 해상도 관리

640x640 또는 768x768로 밀어붙이는 대신 512x512에서 처리:

• 512x512 two-stage는 12GB에 편안하게 맞음
• 더 높은 해상도가 필요한 경우 SeedVR2로 최종 비디오 업스케일

기술 5: Single-Stage Fallback

Two-stage로 어려움을 겪는 12GB GPU의 경우:

• Fallback으로 최적화된 파라미터로 single-stage 사용
• Single-stage steps를 30-35로 증가
• 보상을 위해 후처리 추가 (시간적 스무딩, 업스케일링)

24GB+ GPU의 경우:

충분한 VRAM으로 메모리 대신 속도와 품질을 최적화:

더 높은 해상도: 768x768 또는 896x896에서 생성 더 긴 클립: 단일 생성에서 24-32 프레임 배치 처리: 여러 변형을 동시에 생성 품질 sampler: 최대 품질을 위해 전체적으로 dpmpp_sde 사용

생성 중 VRAM 모니터링:

실시간으로 VRAM 사용 확인:

• Windows: Task Manager → Performance → GPU
• Linux: 터미널에서 nvidia-smi 명령
• 사용량이 용량의 90-95%에 도달하면 파라미터 감소

프로덕션 워크플로우 및 배치 처리

프로덕션을 위해 multi-stage 워크플로우를 체계화하면 일관된 품질로 대량 생성이 가능합니다.

프로덕션 워크플로우 템플릿:

Phase 1: 소스 이미지 준비

1. 소스 이미지 준비 (일관된 해상도, 적절한 프레이밍)
2. source_images/ 디렉토리에 정리
3. 설명적으로 이름 지정 (character_01_pose1.png, product_A_angle1.png)

Phase 2: 워크플로우 구성

1. Two-stage 또는 three-stage 템플릿 워크플로우 로드
2. 프로젝트 요구사항에 맞게 파라미터 구성
3. 2-3개의 샘플 이미지로 테스트
4. 작동하는 구성 문서화

Phase 3: 배치 생성

1. 첫 번째 소스 이미지 로드
2. 애니메이션 생성
3. 설명적인 이름으로 저장 (소스 이미지 이름과 일치)
4. 다음 소스 이미지 로드
5. 모든 소스에 대해 반복

Phase 4: 품질 관리

1. 생성된 모든 애니메이션 검토
2. 재생성이 필요한 애니메이션 플래그
3. 문제 문서화 (시간적 아티팩트, 디테일 손실 등)
4. 조정된 파라미터로 플래그된 애니메이션 재생성

Phase 5: 후처리

1. 모든 애니메이션에 일관된 색상 그레이딩 적용
2. 필요한 경우 업스케일
3. 해당되는 경우 오디오 동기화 추가
4. 필요한 형식으로 내보내기

ComfyUI API로 자동화:

대량 프로덕션의 경우 배치 처리 자동화:

import requests
import json
import glob

def generate_multi_stage_animation(source_image, output_name, config):
    workflow = load_workflow_template("wan_two_stage.json")

    # Update workflow with source image and config
    workflow["load_image"]["inputs"]["image"] = source_image
    workflow["first_ksampler"]["inputs"]["steps"] = config["stage1_steps"]
    workflow["first_ksampler"]["inputs"]["cfg"] = config["stage1_cfg"]
    workflow["second_ksampler"]["inputs"]["steps"] = config["stage2_steps"]
    workflow["second_ksampler"]["inputs"]["cfg"] = config["stage2_cfg"]
    workflow["second_ksampler"]["inputs"]["denoise"] = config["stage2_denoise"]
    workflow["save_video"]["inputs"]["filename_prefix"] = output_name

    # Submit to ComfyUI
    response = requests.post(
        "http://localhost:8188/prompt",
        json={"prompt": workflow}
    )

    return response.json()

# Batch process
source_images = glob.glob("source_images/*.png")
config = {
    "stage1_steps": 18,
    "stage1_cfg": 8.5,
    "stage2_steps": 25,
    "stage2_cfg": 7.5,
    "stage2_denoise": 0.45
}

for i, image in enumerate(source_images):
    output_name = f"animation_{i:03d}"
    print(f"Generating {output_name} from {image}")
    generate_multi_stage_animation(image, output_name, config)
    print(f"Completed {i+1}/{len(source_images)}")

이 스크립트는 모든 소스 이미지를 밤새 자동으로 처리하여 일관된 multi-stage 애니메이션을 생성합니다.

프로덕션 타임라인 추정:

Two-stage 샘플링으로 512x512에서 16-frame 애니메이션을 생성하는 20개의 소스 이미지의 경우:

Phase	시간	비고
소스 준비	1시간	크로핑, 이름 변경, 정리
워크플로우 구성	30분	테스팅 및 파라미터 튜닝
배치 생성	100분	애니메이션당 5분 × 20 이미지
품질 관리	45분	검토 및 문제 플래그
재생성 (20%)	20분	재생성 필요 애니메이션 4개
후처리	90분	그레이딩, 업스케일링, 내보내기
총계	5.5시간	엔드투엔드 프로덕션

자동화는 실무 시간을 크게 줄입니다 (설정 30분, 그 후 배치가 무인 실행).

팀 협업 워크플로우:

여러 팀원이 있는 스튜디오의 경우:

Artist A: 소스 이미지 준비, 프레이밍 가이드라인 문서화 Artist B: 워크플로우 파라미터 구성 및 테스트 Technical: 야간/비업무 시간에 배치 생성 실행 Artist C: 품질 관리 검토, 문제 플래그 Technical: 플래그된 애니메이션 재생성 Artist D: 후처리 및 최종 내보내기

병렬 워크플로우는 총 인력 시간이 증가해도 캘린더 시간을 극적으로 줄입니다.

대량 WAN 프로덕션을 관리하는 에이전시의 경우, Apatero.com은 공유 워크플로우 템플릿, 배치 큐 관리 및 자동 품질 검사를 위한 팀 기능을 제공하여 팀 전체에서 multi-stage 프로덕션을 간소화합니다.

Multi-Stage 워크플로우 문제 해결

Multi-stage 워크플로우는 stage별 실패 모드를 도입합니다. 문제를 신속하게 인식하고 수정하는 것이 필수적입니다.

문제: Stage 2 출력이 Stage 1보다 나빠 보임

Second KSampler가 개선하는 대신 품질을 저하시킵니다.

원인 및 수정:

1. Denoise가 너무 높음: 0.5에서 0.35-0.4로 감소
2. CFG가 너무 높음: Stage 2 CFG를 8에서 7-7.5로 감소
3. Steps가 너무 적음: Stage 2 steps를 20에서 25-28로 증가
4. Sampler 불일치: 두 stage 모두 동일한 sampler 사용 확인 (dpmpp_2m)
5. 프롬프트 충돌: 두 stage에 동일한 프롬프트 사용 확인

문제: Stage 2에서 눈에 띄는 개선 없음

Second stage 출력이 first stage와 거의 동일해 보입니다.

수정:

1. Denoise가 너무 낮음: 0.35에서 0.45-0.5로 증가
2. Steps가 너무 적음: Stage 2 steps를 25-30으로 증가
3. CFG가 너무 낮음: Stage 2 CFG를 6.5에서 7-7.5로 증가
4. First stage가 너무 좋음: Stage 1이 이미 우수하면 stage 2가 개선할 것이 적음

문제: Stage 전환 중 CUDA 메모리 부족

Stage 1에서 stage 2로 이동할 때 특히 OOM 오류.

우선순위 순서의 수정:

1. Stage 간 Empty Cache 노드 추가
2. Decode 단계에 Tiled VAE 활성화
3. 프레임 수를 16에서 12로 감소
4. 해상도를 768에서 512로 감소
5. Three-stage 대신 two-stage 사용

문제: 나중 stage에서 시간적 깜박임 증가

Stage 2 또는 3에서 애니메이션이 더 부드러워지는 대신 더 깜박거립니다.

원인:

1. Denoise가 너무 높음: 이전 stage의 시간적 일관성 파괴
2. Stage 간 다른 scheduler: 모든 stage에 karras 사용
3. CFG가 너무 극단적: 매우 높거나 매우 낮은 CFG는 시간적 문제 야기
4. Steps가 너무 적음: 문제가 있는 stage에서 steps 증가

수정: Denoise를 0.1 감소, scheduler 일관성 확인, CFG를 7-8 범위로 조정.

문제: 처리가 극도로 느림

Multi-stage 생성이 예상보다 3-4배 더 오래 걸립니다.

원인:

1. 총 steps가 너무 많음: 15+25+30 = 70 총 steps는 과도함
2. 높은 해상도: 768x768 이상은 크게 느림
3. CPU 병목: 생성 중 CPU 사용량 확인
4. 다른 GPU 프로세스: 브라우저, 다른 AI 도구 닫기

최적화: 총 steps를 50-55로 감소 (예: 15+22+15), 512x512에서 처리, GPU 완전히 활용 확인.

문제: Stage 3이 Stage 2에 없는 아티팩트 도입

Three-stage 워크플로우가 최종 stage에서 아티팩트 생성.

원인:

1. Stage 3의 denoise가 너무 높음: 0.4+가 아니라 0.25-0.35여야 함
2. Stage 3의 CFG가 너무 높음: 7.5+가 아니라 6.5-7이어야 함
3. 과도한 처리: 너무 많은 총 steps가 모델이 디테일을 환각하게 함

수정: 보수적인 stage 3 파라미터 사용 (denoise 0.3, CFG 6.5, steps 25). Three-stage가 필요한지 또는 two-stage가 콘텐츠 유형에 더 나은 결과를 생성하는지 고려.

문제: 애니메이션이 과도하게 처리되었거나 "AI스러워" 보임

출력 품질은 기술적으로 높지만 부자연스럽거나 합성적으로 보입니다.

원인:

1. 모든 stage에서 CFG가 너무 높음: 각 stage에서 CFG를 0.5-1.0 감소
2. 너무 많은 개선 패스: Three-stage가 과도할 수 있음
3. 프롬프트가 너무 상세함: 과도한 명시가 인공적인 모습 생성

수정: CFG 낮추기 (8.5→7.5 stage 1, 7.5→6.5 stage 2), three-stage 대신 two-stage 시도, 프롬프트 약간 단순화.

최종 생각

WAN 2.2를 위한 multi-stage KSampler 워크플로우는 접근 가능한 AI 비디오 품질의 중요한 진화를 나타냅니다. 이 기술은 개념적으로 단순하지만 (감소하는 denoise로 여러 KSampler를 순차적으로 실행) "좋음"에서 "전문적"으로 출력을 향상시키는 측정 가능하고 일관된 품질 개선을 생성합니다.

트레이드오프는 처리 시간입니다. Two-stage는 65% 생성 시간을 추가하고, three-stage는 110%를 추가합니다. 반복 테스팅과 대량 배치 작업의 경우 single-stage가 실용적입니다. 클라이언트 납품물, 히어로 콘텐츠, 아카이브 플래그십 피스의 경우, multi-stage 워크플로우는 눈에 띄게 우수한 품질로 시간 투자를 정당화합니다.

대부분의 프로덕션 작업의 스위트 스팟은 최적화된 파라미터를 가진 two-stage 샘플링입니다 (18 steps stage 1, 25 steps stage 2, stage 간 denoise 0.45). 이 구성은 합리적인 처리 시간 오버헤드로 최대 품질 개선의 80%+ 를 제공합니다. 시간 비용에 관계없이 절대 최대 품질이 필수적인 콘텐츠의 10-20%를 위해 three-stage를 예약하세요.

이 가이드의 기술은 기본 two-stage 설정에서 고급 three-stage 최적화 및 프로덕션 배치 워크플로우까지 모든 것을 다룹니다. 샘플 콘텐츠에서 two-stage 구현으로 시작하여 stage 2 denoise가 품질에 미치는 영향을 내재화하세요. 파라미터 변형을 실험하여 품질 대 처리 시간 트레이드오프에 대한 직관을 개발하세요. Two-stage를 마스터하고 추가 개선 패스의 혜택을 받는 콘텐츠를 식별한 후에만 three-stage로 진행하세요.

로컬에서 multi-stage 워크플로우를 구축하든 Apatero.com을 사용하든 (콘텐츠 유형에 따라 자동 파라미터 조정을 제공하는 사전 최적화된 two-stage 및 three-stage 템플릿이 있음), multi-KSampler 기술을 마스터하면 WAN 2.2 비디오 생성을 유능한 수준에서 탁월한 수준으로 향상시킵니다. 출력 품질이 상업적 실행 가능성에 직접 영향을 미치는 전문 프로덕션 워크플로우로 AI 비디오 생성이 실험적 콘텐츠에서 이동함에 따라 품질 차이는 점점 더 중요해집니다.