Z-Image Turbo Upscaler + Detailer ComfyUI 工作流完全指南
发布日期：2026-05-13
作者：Z-Image 技术团队
标签：Z-Image Turbo, ComfyUI, Upscaler, Detailer, 工作流, 图片放大
概述
Z-Image Turbo 以其 8 步快速生图能力著称，但原生输出分辨率通常限制在 1024×1024 以内。当我们需要更高分辨率、更细腻细节的图片时，Upscaler + Detailer 双阶段工作流就是最佳解决方案。
本指南将带你搭建完整的 ComfyUI 工作流，仅需 4 个模型文件，即可实现从标准输出到 4K 高清图片的完整放大与细节增强流程。
工作流架构
完整的 Upscaler + Detailer 工作流包含三个阶段：
第一阶段：基础生成（Text-to-Image）
使用 Z-Image Turbo 生成基础图片：
- 模型：
z_image_turbo.safetensors - 采样器：Euler
- 步数：8-12 步
- CFG：1.5-2.0
- 输出分辨率：1024×1024
第二阶段：超分辨率放大（Upscaler）
将基础图片放大 2-4 倍：
- 推荐放大模型：
4x-UltraSharp.pth— 通用放���，细节保留最佳4xFaceUpDAT.pth— 人脸特化，肤色还原准确RealESRGAN-x4plus.pth— 经典选择，速度快
- 放大倍数：2x（推荐）或 4x
- 输出分辨率：2048×2048 或 4096×4096
第三阶段：细节精修（Detailer）
使用 Z-Image Turbo 对放大后的图片进行细节增强：
- 模型：
z_image_turbo.safetensors（与生成阶段相同） - Denoise：0.15-0.35（低值保留结构，高值增加细节）
- 步数：8-12 步
- CFG：1.5-2.0
- 关键：提供详细的细节提示词
ComfyUI 节点配置
核心节点清单
1. CheckpointLoaderSimple — 加载 Z-Image Turbo 模型
2. CLIPTextEncode (Positive) — 正向提示词
3. CLIPTextEncode (Negative) — 负向提示词
4. EmptyLatentImage — 初始 latent（第一阶段）
5. KSampler — 基础生成采样
6. VAEDecode — 解码为像素
7. ImageUpscaleWithModel — 超分辨率放大
8. UpscaleModelLoader — 加载放大模型
9. VAEEncode — 重新编码为 latent（Detailer 阶段）
10. KSampler — 细节精修采样
11. VAEDecode — 最终解码
12. SaveImage — 输出
节点连接流程
CheckpointLoaderSimple → CLIPTextEncode(+/-)
↓
KSampler(Stage 1)
↓
VAEDecode
↓
+-------+-------+
| |
SaveImage(原图) ImageUpscaleWithModel
↓
VAEEncode
↓
KSampler(Stage 2)
↓
VAEDecode
↓
SaveImage(最终)
详细参数调优
放大阶段参数
| 参数 | 推荐值 | 说明 |
|---|---|---|
| 放大模型 | 4x-UltraSharp | 通用场景最佳 |
| 人脸特化场景 | 4xFaceUpDAT | 人像优先 |
| 放大倍数 | 2x | 平衡质量与速度 |
| Tile 模式 | 关闭 | Z-Image Turbo 原生支持大图 |
Detailer 阶段参数
| 参数 | 推荐值 | 说明 |
|---|---|---|
| Denoise | 0.25 | 黄金值，平衡结构与细节 |
| 步数 | 8-12 | Z-Image Turbo 最优范围 |
| CFG | 1.8 | 中等引导强度 |
| 细节提示词 | 见下文 | 增强特定区域 |
细节精修提示词模板
人像精修：
extreme detail, sharp eyes, skin texture, realistic pores, fine hair strands,
professional photography, 8K UHD, highly detailed
产品精修：
product photography, sharp focus, studio lighting, clean background,
high resolution, professional product shot, reflective surfaces,
fine texture details
风景精修：
landscape photography, ultra detailed, atmospheric perspective,
sharp focus, professional camera, 8K, HDR, fine detail
实用工作流模板
模板一：快速人像精修
阶段 1：生成
- 分辨率：1024×1024
- 步数：8
- CFG：1.5
放大：
- 模型：4xFaceUpDAT
- 倍数：2x
阶段 2：精修
- Denoise：0.20
- 步数：10
- 提示词：extreme facial detail, sharp eyes, skin texture, professional portrait
模板二：产品摄影级放大
阶段 1：生成
- 分辨率：1024×1024
- 步数：10
- CFG：2.0
放大：
- 模型：4x-UltraSharp
- 倍数：4x
阶段 2：精修
- Denoise：0.30
- 步数：12
- 提示词：product photography, studio lighting, sharp focus, 8K
模板三：ControlNet 辅助精修
对于需要保持结构一致性的场景，在 Detailer 阶段加入 ControlNet Tile 节点：
放大后图片 → ControlNet Tile Preprocessor → ControlNet Tile Model
↓
KSampler(Stage 2)
优势：
- 防止 Detailer 阶段结构偏移
- 保持原始构图
- 适合建筑、产品等对精度要求高的场景
常见错误与解决方案
问题 1：放大后模糊
原因：放大模型不匹配或 Detailer denoise 值过低。
解决方案：
- 尝试
4x-UltraSharp替代RealESRGAN - 将 denoise 从 0.15 提高到 0.25
- 在细节提示词中明确添加
sharp, crisp, detailed
问题 2：Detailer 阶段过度修改
原因：denoise 值过高，模型"过度创作"。
解决方案：
- 降低 denoise 至 0.15-0.20
- 使用 ControlNet Tile 约束
- 保持正向提示词简洁
问题 3：显存不足
原因：4K 输出需要大量显存。
解决方案：
- 使用 GGUF Q4 量化模型
- 分 Tile 处理（tile size: 512, overlap: 64）
- 分两阶段放大：先 2x 再 2x，而非一次 4x
性能基准
| 配置 | 生成时间 | 放大时间 | 精修时间 | 总时间 | 显存需求 |
|---|---|---|---|---|---|
| RTX 3090, 2x 放大 | ~4s | ~3s | ~5s | ~12s | ~8GB |
| RTX 3090, 4x 放大 | ~4s | ~6s | ~8s | ~18s | ~12GB |
| M4 Mac, 2x 放大 | ~8s | ~6s | ~10s | ~24s | ~16GB |
进阶技巧
1. 多阶段渐进式放大
对于极致质量需求，采用三阶段工作流：
1024px → (2x) → 2048px → (精修) → 2048px → (2x) → 4096px → (精修) → 4096px
2. Face Detailer 专用节点
ComfyUI 社区提供了 Impact Pack 中的 FaceDetailer 节点，可自动检测面部并进行局部精修：
放大后图片 → FaceDetailer → 输出
参数：
- Detection threshold: 0.5
- Detailer denoise: 0.3
- Face mesh: 默认
3. 批量处理
使用 ComfyUI 的 Batch 节点配合文件夹输入，实现批量放大精修：
FolderInput → ImageUpscaleWithModel → VAEEncode → KSampler → VAEDecode → SaveImage
总结
Z-Image Turbo Upscaler + Detailer 工作流是提升图片质量和分辨率的利器：
- 仅需 4 个模型文件，配置简单
- 端到端全自动，从生成到输出无需手动干预
- 8K 输出，满足专业级需求
- 多场景适配，人像、产品、风景均有对应模板
掌握这个工作流后，你的 Z-Image Turbo 生成能力将提升到一个全新的高度。