SUPIR(Scaling-UP Image Restoration)是一种面向真实场景图像修复的AI超分辨率方法，由董超团队提出，相关论文于2024年被CVPR接受[1]。它以Stable Diffusion XL为基础，通过扩大模型规模并引入文本提示，对低质量照片进行放大与细节复原，也被封装为ComfyUI插件供本地使用。
定义
SUPIR是Scaling-UP Image Restoration的缩写，是一种基于扩散模型的真实场景图像修复与超分辨率方法，全称意为“放大规模以实现卓越效果”[1]。它由方华宇、顾津锦、董超等人提出，作者来自中国科学院深圳先进技术研究院、上海人工智能实验室、悉尼大学、香港理工大学、腾讯ARC实验室和香港中文大学等机构[2]。
该方法的处理对象是画面模糊、噪声明显或受压缩损伤的低质量图像，目标是在放大分辨率的同时恢复出接近真实照片的观感[3]。项目公开了SUPIR-v0Q与SUPIR-v0F两个权重版本，并声明仅供非商业用途。
原理
SUPIR以Stable Diffusion XL的Base模型作为生成先验。作者认为该模型可直接生成高分辨率图像，参数能更多用于提升画质而非解读文本，因此适合承担修复任务[4]。
为使预训练编码器能处理受损图像，SUPIR对编码器进行微调，使其对退化更稳健，避免把压缩伪影误认成画面内容。其损失函数可写作 $\mathcal{L}_{\mathcal{E}}=\|\mathcal{D}(\mathcal{E}_{\mathrm{dr}}(x_{LQ}))-\mathcal{D}(\mathcal{E}_{\mathrm{dr}}(x_{GT}))\|_{2}^{2}$[5]。
在控制环节，SUPIR借鉴ControlNet的高层结构并采用网络剪枝，构建了体量适配SDXL的适配器，用于识别低质量图像内容并在像素层面约束生成[5]。采样阶段使用EDM调度，并加入修复引导采样，以缓解生成式修复中常见的保真度下降问题[5]。
从流程上看，扩散模型在隐空间中逐步去噪，适配器同时接收低质量图像与文本条件；文本提示可指定远处模糊物体的清晰化方式、物体材质等，负向提示则用于抑制伪影[3]。
发展历程
2024年1月，相关论文《Scaling Up to Excellence: Practicing Model Scaling for Photo-Realistic Image Restoration In the Wild》在arXiv公开。同年6月，该论文被CVPR 2024收录，页码为25669至25680[1]。
开源代码发布后，社区围绕其开发了ComfyUI封装插件。该插件将原先的单一节点拆分为多个节点，并扩展了硬件支持、模型加载效率与采样器选项。此后SUPIR被合并进ComfyUI核心代码库，插件转为维护状态，同时也出现了修剪后的safetensors格式模型[6]。
围绕推理速度，后续研究提出了免训练的时间—空间感知采样策略，在不额外训练的前提下减少去噪步数，进一步提升高频纹理的恢复效果[7]。
应用
SUPIR主要用于旧照片翻新、低分辨率素材放大和AI生成图像的细节增强，可处理照片中的脸部与背景区域[8]。插件版本还支持按帧处理视频序列，实现视频帧的超分辨率[9]。
在使用形态上，SUPIR既可作为ComfyUI中的工作流节点调用，也可通过命令行脚本或图形界面进行批量处理，并可通过服务化接口对外提供图像修复能力[10]。有设计研究将SUPIR作为高保真度代表模型，与侧重真实感和侧重速度的超分辨率模型进行对比，用于评估其在球鞋可视化等设计流程中的效果[11]。
局限
SUPIR对硬件要求较高。原作者说明其运行需要约60GB内存与2块30GB显存的显卡，因此曾推迟在线演示的发布[2]。显存占用与输入图像分辨率直接相关，可通过分块VAE等方式缓解。
作为生成式方法，SUPIR在客观保真指标上并不占优。论文数据显示，其在无参考指标上表现最好，但在PSNR、SSIM等全参考指标上存在劣势，作者因此对这类指标的评价价值提出质疑[4]。其生成能力强也带来风险，若不加约束可能改变原图内容或结构，需要依靠修复引导采样与提示控制来抑制[5]。
社区使用反馈还指出，SUPIR输出可能带有过度平滑的磨皮观感，对皮肤细节要求较高的场景并不理想；调用方通过更换底模或引入分块处理来减轻这一现象[12]。此外，项目声明限定非商业使用，商用需另行获得许可。
在推理成本方面，原始SUPIR需要较多的去噪步数，虽有加速采样策略将步数降至约7步，但相关方法仍处于研究阶段[7]。
参见
-
Stable Diffusion —— SUPIR所依托的扩散生成模型系列，其SDXL版本是SUPIR的生成先验。
-
ComfyUI —— 提供节点式界面的图像生成工具，SUPIR已集成进其核心代码库。
-
超分辨率 —— SUPIR所属的图像处理任务类别，指将低分辨率图像恢复为高分辨率图像。
-
扩散模型 —— SUPIR进行去噪生成的模型类型。
-
ControlNet —— SUPIR适配器设计所借鉴的生成控制结构。
-
CVPR —— SUPIR论文发表并收录的学术会议。
参考资料
- thecvf.com 上的网页 . thecvf.com [引用日期2026-10-04]
- README . huggingface.co [引用日期2026-10-04]
- ieee.org 上的网页 . ieee.org [引用日期2026-10-04]
- thecvf.com 上的 PDF 文件 . thecvf.com [引用日期2026-10-04]
- arxiv.org 上的网页 . arxiv.org [引用日期2026-10-04]
- ComfyUI-SUPIR . github.com [引用日期2026-10-04]
- ijcai.org 上的 PDF 文件 . ijcai.org [引用日期2026-10-04]
- github.com 上的网页 . github.com [引用日期2026-10-04]
- 首页 > AI产品库 > ComfyUI-SUPIR . pconline.com.cn [引用日期2026-10-04]
- Supir Photo-Realistic Image Restoration API Documentation . segmind.com [引用日期2026-10-04]
- ieee.org 上的网页 . ieee.org [引用日期2026-10-04]
- chuckchen/supir-v0q – Replicate . replicate.com [引用日期2026-10-04]
浏览次数：1 次
阅读量：0 次 · 阅读完成量：0 次
最近更新：2026-10-03T18:19:13Z
完成率 = 阅读完成量 ÷ 阅读量，分母是阅读量不是浏览次数 —— 关了 JS 的、秒退的都在浏览次数里、不在阅读量里。 详细口径在后台的「数据统计」页。