División de procesos video: ComfyUI, Wan2GP y la estrategia forward/reverse

Dividir el trabajo pesado

Aquí vamos de nuevo con un desafío técnico: dividir los procesos de outpainting de video entre dos equipos. La pregunta es inmediata: ¿usamos ComfyUI, Wan2GP o alguna otra plataforma? ¿Cortamos simplemente el video a la mitad y procesamos cada lado en una máquina distinta?

La respuesta corta es que sí, se puede repartir la carga entre dos equipos… pero la forma exacta en que lo hagas cambia totalmente la calidad del resultado final.

ComfyUI versus Wan2GP

Aquí está el primer punto clave: con ComfyUI, tienes una ventaja importante porque es distribuible. Puedes levantar un servidor ComfyUI en cada máquina y mandar los trabajos por API o por cola. Eso te permite que cada equipo procese chunks del video, pero bajo el mismo workflow y los mismos seeds controlados.

Por otro lado, Wan2GP suele ser más opaco y menos flexible a nivel de distribución fina. Funciona bien para rendimiento bruto y optimiza la coherencia temporal internamente, pero te ata más a su pipeline propio. Si notas que consume mucha memoria, es probable que esté priorizando esa coherencia sobre el paralelismo.

Segmentación: Bruta versus Elegante

Ahora, hablemos del corte del video. Cortar el archivo «a la mitad limpia» sin más casi siempre te deja una costura visible, como si el mundo cambiara de idea a medio plano.

Lo que funciona mejor es la forma «bruta pero efectiva»: cortar en segmentos de 10–30 segundos con un overlap de 1–2 segundos, y luego unirlos con ffmpeg. Si no usas ese overlap, el outpainting se desalineará.

O hay una forma más elegante: dividir por ventanas deslizantes. Aquí cada equipo procesa segmentos superpuestos—el Equipo A hace 0–10, 8–18, y el Equipo B hace 5–15, 13–23—y luego recombinas quedándote con las zonas centrales de cada ventana. Esto reduce muchísimo los saltos de identidad visual.

La estrategia forward/reverse

Si quieres ir más fino, puedes probar a procesar el video en reversa para después seleccionar donde mejor acertó la inferencia. Haces dos pasadas: una hacia adelante (forward) y otra hacia atrás (reverse), comparas frame a frame, y detectas zonas donde uno «alucina» demasiado mientras el otro mantiene mejor estructura.

En la práctica, en vez de invertir el video completo, lo ideal es hacer un dual sampling: misma secuencia pero con dos seeds o dos CFG schedules distintos. Luego haces una selección por score, usando métricas como la consistencia del optical flow.

El problema no es la potencia de cómputo, sino la continuidad del deseo visual entre frames. Lo que buscas es encontrar dónde el modelo se siente más seguro y quedarte solo con esos fragmentos.