老番救星计划用Index-AniSora把90p模糊视频拉回1080p整套流程一次讲透【免费下载链接】Index-anisora项目地址: https://gitcode.com/gh_mirrors/in/Index-anisora先说结论如果你手里存着大量老番、旧监控或压缩到没法看的视频素材Index-AniSora 这套开源工具的视频超分辨率能力能把低至 90p 的模糊画面抬升到 720p 甚至 1080p而且细节不是简单放大出来的是模型按语义重新画出来的。下面我把从安装到出片的整套流程拆开讲新手照着做也能跑通。一、痛点开场清晰度不够什么素材都白搭做动画二创、翻录老番、修复家庭录像的人大概都经历过同样的沮丧内容本身很珍贵但画面糊成一团。把分辨率硬拉大的传统做法放大倍数一高就全是马赛克和锯齿噪点被放大成雪花屏线条边缘像狗啃过一样。低清素材的问题本质上有两个一是像素数量不够二是细节信息已经丢失。后者靠常规插值算法补不回来必须靠模型推理出本该存在的纹理、边缘和光影——这正是 Index-AniSora 超分能力的用武之地。上面是典型的低清输入下面这张是同一段内容经过超分后的效果分辨率拉高了约 12 倍人物轮廓、头发丝、背景纹理都被重新补全观感接近原生高清。二、原理速览它不是拉伸是重画把超分想成修画师的工作就很好理解传统放大相当于把照片直接投影放大边缘发虚而 AI 超分相当于修画师看了一眼模糊原作凭经验把缺失的笔触一笔一笔补回来。Index-AniSora 走的是扩散模型路线先给画面加噪再让模型一步步去噪重建细节。超分时低清画面作为条件输入模型在采样过程中参考它重建高频信息。在代码层面核心逻辑在 autoencoder_kl_cogvideox.py 里其中用到了专门的CogVideoXUpsample3D模块它同时处理空间宽高和时间帧数两个维度的提升。帧数增长是有明确算法的解码 X 个 latent 帧潜空间帧可理解为压缩后的画面特征会得到 X6 个输出帧。以常见的 13 个 latent 帧为例(1 帧切片) × 9 5 × 8 49 帧也就是说13 个潜空间帧最终解码出 49 帧画面。这就是为什么超分后的视频在时序上是连贯的不会出现每一帧都很清晰但动起来就闪的问题——时间维度的信息同样参与了重建。三、端到端实操从克隆仓库到导出成片第 1 步拉代码、装环境先把仓库克隆到本地git clone https://gitcode.com/gh_mirrors/in/Index-anisora cd Index-anisora根目录下直接装基础依赖pip install -r requirements.txt如果你要用的是 V3 版本的推理链路推荐进入anisoraV3目录单独建环境cd anisoraV3 conda create -n wan_gpu python3.10 conda activate wan_gpu pip install -r req-fastvideo.txt pip install -r requirements.txt pip install -e .提示有 N 卡用 GPU 环境纯 CPU 跑不是不行只是速度会慢很多建议先用短视频段试跑。第 2 步准备输入素材与提示文件超分/图生视频任务需要两样东西一张或多张参考图以及一个描述文本。项目用 txt 文件统一管理一行一个案例格式是图片路径画面描述图片出现的时间位置其中时间位置0表示首帧、0.5表示中帧、1表示末帧。比如拿动漫素材做演示可以写成A girl with vibrant red hair stands in a forest, soft light filtering through leaves. aesthetic score: 5.5. motion score: 3.0. There is no text in the video. data/inference-imgs/cartoon_films_fu_mo_1.png0图片素材放在anisoraV3/data/inference-imgs/下即可项目自带示例图第 3 步运行推理脚本GPU单卡直接跑python generate-pi-i2v-any.py \ --task i2v-14B \ --size 1280*720 \ --ckpt_dir Wan2.1-I2V-14B-480P \ --image output_videos_any \ --prompt data/inference_any.txt \ --base_seed 4096 \ --frame_num 81显卡多、想加速用 torchrun 并行torchrun \ --nproc_per_node2 \ --master_port 43210 \ generate-pi-i2v-any.py \ --task i2v-14B \ --size 1280*720 \ --ckpt_dir Wan2.1-I2V-14B-480P \ --image output_videos_any \ --prompt data/inference_any.txt \ --dit_fsdp \ --t5_fsdp \ --ulysses_size 2 \ --base_seed 4096 \ --frame_num 81 \ --sample_steps 8 \ --sample_shift 5 \ --sample_guide_scale 1几个关键参数先记一下参数作用建议--task任务类型i2v-14B 表示图生视频按模型选择--size输出分辨率如 1280*720越高越吃显存--frame_num输出帧数16fps 下 81 帧约 5 秒必须是 8x1--sample_steps采样步数越低越快V3 可压到 8--sample_guide_scale提示词引导强度1~5 之间调--ckpt_dir模型权重目录提前下好第 4 步拿成片--image参数指定的就是输出目录每行案例对应一个按序号命名的 mp4直接拖进播放器验收即可。四、不同素材的最优调参方案不是所有素材都吃同一套参数我在实测中整理了一份对照素材类型motion scoreaesthetic scoresample_steps备注动画/线条番2.0~3.05.5~6.58~16线条优先动太快易糊实拍/风景2.5~4.05.0~6.016~32细节多适当加步数访谈/静态场景2.0~2.55.5~7.08~16变化少可激进提速360度角色旋转2.0~4.05.5~7.08建议 5 秒保证转满一圈提示词里记得加一句There is no text in the video.能有效避免画面里冒出不想要的文字水印。五、进阶玩法批量处理与自定义训练批量出片data/inference_any.txt里写几行就批量处理几个案例一行一个互不影响。想控制视频节奏还可以在一行里给多个时间位置分别指定图片...描述...图1.png,图2.png,图3.png0,0.5,1这样首帧、中帧、末帧分别由不同图约束适合做关键帧引导的长镜头。自定义训练模型如果特定风格的素材效果不满意项目也开源了完整训练链路。训练入口在anisoraV1_train_gpu数据放sat/demo_data/然后执行cd anisoraV1_train_gpu bash script/gpu_run.sh训练参数在 cogvideox_5b_sft_fix_pretrain_gpu_720.yaml 里改配合sat/下的训练脚本train_video.py一起用。GPU 版脚本对应anisoraV1_train_gpuNPU 版昇腾 910B在anisoraV1_train_npu脚本为script/npu_run.sh国产芯片用户也能跑。六、踩坑实录我遇到过的三道坎坑一帧数不对直接报错。--frame_num必须满足 F8x181、161 都行我一开始填了 80脚本直接拒绝执行。改回 81 就好了。坑二显存告急。单卡 24G 跑 720p 起步没问题但分辨率或帧数拉高后容易 OOM。我的处理顺序是先开--offload_model把部分权重挪到 CPU再降--frame_num实在不行用torchrun双卡 --dit_fsdp --t5_fsdp分担。坑三画面有闪烁或色块。多半是采样步数压太狠或引导强度不合适。把--sample_steps从 8 提到 16或把--sample_guide_scale微调 0.5通常能压下去再不行换个--base_seed重新生成同一个 seed 复现同一种瑕疵。七、出片前的质量验收清单成片导出后别急着发布按这张表过一遍检查项达标标准边缘清晰度线条、字幕边缘无锯齿色彩还原无偏色、无泛白时序连贯播放 5 秒以上无闪烁、无跳帧主体一致性人物五官、服装纹样不漂移噪点控制暗部无块状噪声文字水印无意外出现的文本八、写在最后Index-AniSora 的超分能力本质上是把生成和修复结合在了一起——低清素材不只是被放大而是被理解、被重建。修复老番、抢救监控素材、给二创打底它都能顶上一线。整个流程我已经拆到复制粘贴就能跑的程度剩下的就交给你的显卡了。如果跑出满意的结果不妨把调好的参数组合记录下来下次直接复用。【免费下载链接】Index-anisora项目地址: https://gitcode.com/gh_mirrors/in/Index-anisora创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 老番救星计划：用Index-AniSora把90p模糊视频拉回1080p，整套流程一次讲透
老番救星计划用Index-AniSora把90p模糊视频拉回1080p整套流程一次讲透【免费下载链接】Index-anisora项目地址: https://gitcode.com/gh_mirrors/in/Index-anisora先说结论如果你手里存着大量老番、旧监控或压缩到没法看的视频素材Index-AniSora 这套开源工具的视频超分辨率能力能把低至 90p 的模糊画面抬升到 720p 甚至 1080p而且细节不是简单放大出来的是模型按语义重新画出来的。下面我把从安装到出片的整套流程拆开讲新手照着做也能跑通。一、痛点开场清晰度不够什么素材都白搭做动画二创、翻录老番、修复家庭录像的人大概都经历过同样的沮丧内容本身很珍贵但画面糊成一团。把分辨率硬拉大的传统做法放大倍数一高就全是马赛克和锯齿噪点被放大成雪花屏线条边缘像狗啃过一样。低清素材的问题本质上有两个一是像素数量不够二是细节信息已经丢失。后者靠常规插值算法补不回来必须靠模型推理出本该存在的纹理、边缘和光影——这正是 Index-AniSora 超分能力的用武之地。上面是典型的低清输入下面这张是同一段内容经过超分后的效果分辨率拉高了约 12 倍人物轮廓、头发丝、背景纹理都被重新补全观感接近原生高清。二、原理速览它不是拉伸是重画把超分想成修画师的工作就很好理解传统放大相当于把照片直接投影放大边缘发虚而 AI 超分相当于修画师看了一眼模糊原作凭经验把缺失的笔触一笔一笔补回来。Index-AniSora 走的是扩散模型路线先给画面加噪再让模型一步步去噪重建细节。超分时低清画面作为条件输入模型在采样过程中参考它重建高频信息。在代码层面核心逻辑在 autoencoder_kl_cogvideox.py 里其中用到了专门的CogVideoXUpsample3D模块它同时处理空间宽高和时间帧数两个维度的提升。帧数增长是有明确算法的解码 X 个 latent 帧潜空间帧可理解为压缩后的画面特征会得到 X6 个输出帧。以常见的 13 个 latent 帧为例(1 帧切片) × 9 5 × 8 49 帧也就是说13 个潜空间帧最终解码出 49 帧画面。这就是为什么超分后的视频在时序上是连贯的不会出现每一帧都很清晰但动起来就闪的问题——时间维度的信息同样参与了重建。三、端到端实操从克隆仓库到导出成片第 1 步拉代码、装环境先把仓库克隆到本地git clone https://gitcode.com/gh_mirrors/in/Index-anisora cd Index-anisora根目录下直接装基础依赖pip install -r requirements.txt如果你要用的是 V3 版本的推理链路推荐进入anisoraV3目录单独建环境cd anisoraV3 conda create -n wan_gpu python3.10 conda activate wan_gpu pip install -r req-fastvideo.txt pip install -r requirements.txt pip install -e .提示有 N 卡用 GPU 环境纯 CPU 跑不是不行只是速度会慢很多建议先用短视频段试跑。第 2 步准备输入素材与提示文件超分/图生视频任务需要两样东西一张或多张参考图以及一个描述文本。项目用 txt 文件统一管理一行一个案例格式是图片路径画面描述图片出现的时间位置其中时间位置0表示首帧、0.5表示中帧、1表示末帧。比如拿动漫素材做演示可以写成A girl with vibrant red hair stands in a forest, soft light filtering through leaves. aesthetic score: 5.5. motion score: 3.0. There is no text in the video. data/inference-imgs/cartoon_films_fu_mo_1.png0图片素材放在anisoraV3/data/inference-imgs/下即可项目自带示例图第 3 步运行推理脚本GPU单卡直接跑python generate-pi-i2v-any.py \ --task i2v-14B \ --size 1280*720 \ --ckpt_dir Wan2.1-I2V-14B-480P \ --image output_videos_any \ --prompt data/inference_any.txt \ --base_seed 4096 \ --frame_num 81显卡多、想加速用 torchrun 并行torchrun \ --nproc_per_node2 \ --master_port 43210 \ generate-pi-i2v-any.py \ --task i2v-14B \ --size 1280*720 \ --ckpt_dir Wan2.1-I2V-14B-480P \ --image output_videos_any \ --prompt data/inference_any.txt \ --dit_fsdp \ --t5_fsdp \ --ulysses_size 2 \ --base_seed 4096 \ --frame_num 81 \ --sample_steps 8 \ --sample_shift 5 \ --sample_guide_scale 1几个关键参数先记一下参数作用建议--task任务类型i2v-14B 表示图生视频按模型选择--size输出分辨率如 1280*720越高越吃显存--frame_num输出帧数16fps 下 81 帧约 5 秒必须是 8x1--sample_steps采样步数越低越快V3 可压到 8--sample_guide_scale提示词引导强度1~5 之间调--ckpt_dir模型权重目录提前下好第 4 步拿成片--image参数指定的就是输出目录每行案例对应一个按序号命名的 mp4直接拖进播放器验收即可。四、不同素材的最优调参方案不是所有素材都吃同一套参数我在实测中整理了一份对照素材类型motion scoreaesthetic scoresample_steps备注动画/线条番2.0~3.05.5~6.58~16线条优先动太快易糊实拍/风景2.5~4.05.0~6.016~32细节多适当加步数访谈/静态场景2.0~2.55.5~7.08~16变化少可激进提速360度角色旋转2.0~4.05.5~7.08建议 5 秒保证转满一圈提示词里记得加一句There is no text in the video.能有效避免画面里冒出不想要的文字水印。五、进阶玩法批量处理与自定义训练批量出片data/inference_any.txt里写几行就批量处理几个案例一行一个互不影响。想控制视频节奏还可以在一行里给多个时间位置分别指定图片...描述...图1.png,图2.png,图3.png0,0.5,1这样首帧、中帧、末帧分别由不同图约束适合做关键帧引导的长镜头。自定义训练模型如果特定风格的素材效果不满意项目也开源了完整训练链路。训练入口在anisoraV1_train_gpu数据放sat/demo_data/然后执行cd anisoraV1_train_gpu bash script/gpu_run.sh训练参数在 cogvideox_5b_sft_fix_pretrain_gpu_720.yaml 里改配合sat/下的训练脚本train_video.py一起用。GPU 版脚本对应anisoraV1_train_gpuNPU 版昇腾 910B在anisoraV1_train_npu脚本为script/npu_run.sh国产芯片用户也能跑。六、踩坑实录我遇到过的三道坎坑一帧数不对直接报错。--frame_num必须满足 F8x181、161 都行我一开始填了 80脚本直接拒绝执行。改回 81 就好了。坑二显存告急。单卡 24G 跑 720p 起步没问题但分辨率或帧数拉高后容易 OOM。我的处理顺序是先开--offload_model把部分权重挪到 CPU再降--frame_num实在不行用torchrun双卡 --dit_fsdp --t5_fsdp分担。坑三画面有闪烁或色块。多半是采样步数压太狠或引导强度不合适。把--sample_steps从 8 提到 16或把--sample_guide_scale微调 0.5通常能压下去再不行换个--base_seed重新生成同一个 seed 复现同一种瑕疵。七、出片前的质量验收清单成片导出后别急着发布按这张表过一遍检查项达标标准边缘清晰度线条、字幕边缘无锯齿色彩还原无偏色、无泛白时序连贯播放 5 秒以上无闪烁、无跳帧主体一致性人物五官、服装纹样不漂移噪点控制暗部无块状噪声文字水印无意外出现的文本八、写在最后Index-AniSora 的超分能力本质上是把生成和修复结合在了一起——低清素材不只是被放大而是被理解、被重建。修复老番、抢救监控素材、给二创打底它都能顶上一线。整个流程我已经拆到复制粘贴就能跑的程度剩下的就交给你的显卡了。如果跑出满意的结果不妨把调好的参数组合记录下来下次直接复用。【免费下载链接】Index-anisora项目地址: https://gitcode.com/gh_mirrors/in/Index-anisora创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考