Latent Upsampler 算子节点

在不脱离潜空间的前提下，直接对潜变量张量执行空间维度的超分辨率升采样缩放——常用于两阶段 Generate 生成流程之间，以极低显存开销驱动高速、超高画质的细节精炼通道。

算子所属分类：ModularDiffusion/Processing

核心速查 (TL;DR)

纯原生潜变量空间超分 (Latent-space Upsampling)：全程维持在潜变量特征域内完成张量插值与空间放大，彻底省去了传统“解码为像素图 $\rightarrow$ 传统图像放大算法 $\rightarrow$ 重新编码为潜变量”这一繁重且极易累积损耗的昂贵闭环；
通过 provider 选定对应的超分辨率架构族；
典型的两阶段精炼拓扑 (Two-stage Refinement)：串联在两个 Generate Media Latents 节点之间：第一阶段快速生成低分辨率粗模 $\rightarrow$ 经过本节点潜空间快速放大 $\rightarrow$ 第二阶段以低步数、高阶细节强化模型完成精细去噪打磨。

Generate Media Latents (低清第一阶段) → [Latent Upsampler] → Generate Media Latents (细节精修第二阶段) → Decode

Latent Upsampler 算子节点外观

端口名称	数据类型	是否必填	详细功能与业务规范说明
`input_latent`	`LatentArtifact`	是	待放大的潜变量张量。必须符合相应架构的潜空间规范（任意 Generate 或 Encode 节点的输出均原生兼容）。

端口名称	数据类型	详细功能与业务规范说明
`output_latent`	`LatentArtifact`	空间物理维度放大后的高分辨率潜变量张量对象。

参数名称	数据类型	详细业务功能与调优说明
`provider`	下拉枚举	超分辨率网络架构家族（如 `LTX2` 等）。切换该项会动态刷新并重新生成下方的模型选择器。
`upsampler_model`	Hugging Face 选择器	对应的超分辨率模型权重在 Hugging Face 上的远程仓库 ID。

潜空间超分模型严格绑定架构生态：不同扩散模型（如 LTX2、Flux、SDXL）的潜变量通道结构、空间映射比率与特征编码协议具有不可逾越的鸿沟。一个面向 LTX2 训练的潜空间超分模型绝对无法对 SDXL 潜变量产生有意义的数学放大。请确保超分模型的 provider 与输入潜变量的源头管线家族严格一致。
放大后必须紧跟第二阶段的轻量去噪精修：潜变量超分辨率模型主要负责在数学空间上平滑插值并拓展空间特征维度，它本身不具备去噪扩散功能。放大后如果不加处理直接解码，画面可能会呈现特征拉伸或微小的高频模糊；强烈建议紧跟一个运行步数较少（如 5~10 步）、添加适度轻微噪声 (add_noise=True) 的下游 Generate Media Latents 算子进行微观纹理充实。