企业官网建设流程全解析

用 LTX-2.5-22b-IC-LoRA-Refine-Details 做视频超分和细节重建时，结果却不如预期——细节发糊、文字乱码、分块有缝、画面反而变空？这份避坑清单帮你逐个排查。下面 8 大翻车原因都来自官方文档的实测经验，每一条都附了快速解决方案，照着改，一次到位。

先认识一下 LTX-2.5-22b-IC-LoRA-Refine-Details 是什么？

这是一个面向视频的In-Context LoRA（video-to-video 适配器），基于 LTX-2.5-22B 基础模型训练：它把一段模糊、压缩过或放大过的视频作为参考输入，重新渲染出同样的画面，但带上原生高分辨率拍摄的纹理、边缘和颗粒感。配合分块融合（tiled fusion）采样器使用，可以把任意视频片段精修并超分到 4K 甚至 8K。

仓库内的核心文件：

3 步部署，快速开始

1. 克隆仓库并下载权重：

git clone https://gitcode.com/hf_mirrors/Lightricks/LTX-2.5-22b-IC-LoRA-Refine-Details

2. 把ltx-2.5-22b-ic-lora-refine-details-1.0.safetensors复制到 ComfyUI 的models/loras目录。
3. 在 ComfyUI-LTXVideo 插件中打开官方示例工作流LTX-2.5_V2V_TiledFusion_Upscale.json（它会自动加载 LTX-2.5 蒸馏 transformer、Gemma-4 12B 文本编码器、LTX-2.5 视频 VAE 和本 LoRA），把片段拖入LoadVideo，设置output_size（FullHD / 4K / 8K），写好提示词即可运行。长片段会自动以 97 帧窗口流式处理（use_streaming已开启）。

避坑清单：超分翻车的 8 大原因

坑 1：输出画布不满足对齐要求，超分直接失败或异常

输出画布两边都必须是 32 的倍数，帧数必须满足8n+1（如 49、97、121、241 帧）。比如 1920x1080 的源，应该精修到 3840x2176，或先裁剪到 1920x1056 再处理。

✅解决方案：跑之前先核对画布尺寸与帧数；帧数不满足时补帧或裁帧，使其落在 8n+1 序列上。

坑 2：Full HD 输出也不走分块融合，细节提升不明显

这个 LoRA 是在1024x576 分块上训练的，只有当每个分块看到的画面恰好是这个尺度时效果才最好——1920x1088 的画布正好是 3x3 个这样的分块。很多人以为 1080p 输出用单块流程（Single Tile）就够了，结果把 LoRA 推到了训练分布之外，细节纹丝不动。

✅解决方案：任何输出尺寸都使用LTXVTiledFusionSampler分块融合流程（分块 1024x576、overlap 0.5、blend 0.05）。单块流程只在输出本身不超过 1024x576 时才正确。

坑 3：1080p 一步到位直接超 8K，模型开始"编造"细节

8K 画布下，一个 1024x576 分块只覆盖整帧的 13%，相当于训练尺度的 2 倍放大——分块内是"特写"，模型就开始自行发明纹理：README 里举的例子是瓜的纹路重新排列、招牌文字被改写了。

✅解决方案：走"超分阶梯"——先精修到 4K，再 lanczos 放大到 8K，最后可选一轮温和的第二遍精修。逐次逼近，不跨级跳。

坑 4：先锐化/降噪输入片段，参考信号被"污染"

官方明确写着Preprocessing: none（预处理：无）。官方工作流的 Preprocess 组会自己先用 lanczos 把原片段放大到输出尺寸再作为 guide 喂给模型，模型从不会直接看到原始小图。你在前面手动加锐化或降噪，等于给模型一个"假的参考"，重建结果随之跑偏。

✅解决方案：原始片段直接进流程，交给工作流的 lanczos 步骤，不要做任何前处理。

坑 5：老片、广电素材、影院 RAW 直接精修，画面变"空"

模型训练在干净的降尺度数据上，它会把编码损伤误读成噪点并抹平，而且会轻微去饱和，所以老片、广电素材精修后"更干净但更空"。影院 RAW（纯净传感器素材）跑完甚至比 lanczos 放大还软——因为模型删掉了它无法重建的颗粒。

✅解决方案：档案/广电素材先用Restoration IC-LoRA修复，再跑本 LoRA 精修；影院 RAW 不适合这个工具，直接用传统放大。

坑 6：提示词里写具体主体，细节被"画"到错误的位置

每个分块都会收到完整的提示词。如果你在全画布提示词里点名了某个主体（比如"一只红狐狸"），不含狐狸的分块也可能把它画进去。同理，烟花、海浪泡沫、风中树叶这类随机纹理容易过度锐化，降低 LoRA 强度省下的细节远少于别处损失的细节。

✅解决方案：提示词保持通用、只描述渲染质感，例如：

sharp photographic detail, crisp natural texture, fine surface detail, clean edges, natural film grain, high resolution footage

负向提示词：

blurry, soft, plastic, smeared detail, oversharpened halos, warped faces

需要点名主体时，只对该主体所在分块做单分块独立跑图，配专属提示词。

坑 7：参考图放错位置，文字和人脸反而变糟

当文字、Logo、人脸等主体在降质后难以辨认时，可以用-1 token 参考图：把主体原分辨率裁剪放在灰色底图上，用第二个LTXAddVideoICLoRAGuide（frame_idx设为 -1、strength 1.0）挂在视频 guide 之后。但参考图是按分块裁剪的：它必须与输出画布同尺寸，且每张裁剪要盖在对应主体的位置上。README 的实测对比：放对位置能还原招牌文字、让人脸回到真实；放错分块则文字乱码、人脸相似度下降。

✅解决方案：参考图尺寸 = 输出画布尺寸，裁剪对齐主体实际位置，并且走整段路径（use_streaming关闭）。极小的文字无论怎么做都救不回来。

坑 8：用导出的 mp4 判断成败、忽略末尾帧，误以为"翻车"

两个常见误判：

• ComfyUI 的SaveVideo在 4K 下只写约8 Mbps的 mp4，会低估实际效果；
• LTX 生成的最后 1~2 帧会损失约 10% 细节，单段（非窗口）运行时尤其明显。

✅解决方案：保存 latents 重新解码，或从 PNG 序列编码输出；单段跑图时给片段补 8 帧再裁掉；窗口化运行（97 帧窗口）时重叠区域天然能掩盖末尾帧损失。

超分关键参数速查表

最后检查一遍

对照这份清单过一遍：画布 32 对齐 → 全程分块融合 → 4K 阶梯式超分 → 不预处理输入 → 老片先 Restoration → 通用渲染提示词 → 参考图对齐主体 → 用 latents/PNG 评估输出。8 条都打勾，你的 LTX-2.5-22b-IC-LoRA-Refine-Details 超分结果就能稳定达到 4K 交付级画质。想直观感受效果，可直接观看 examples/ 目录下的对比与擦除（wipe）示例视频，更多细节见 README.md。