NVIDIAが画像デコード技術「PiD」発表、VAE置き換えで2K生成を1秒未満に

画像生成AIを使っていると、プレビューでは整って見えたのに、高解像度に出力した途端に髪の毛や質感がぼやけてしまう現象によく出くわします。

その主因は生成モデル本体ではなく、圧縮空間からピクセルへと変換する従来のVAEデコーダーにあります。5月22日、NVIDIAの研究チームは、この長年のボトルネックを解消する新技術「PiD」を発表しました。

単純な復元から「生成型ピクセル拡散」へ刷新

FLUXやSD3などの主要モデルは、計算量を抑えるために潜在空間で画像を生成し、最後にデコーダーで画素データへと戻します。

しかし従来のVAEデコーダーは、エンコーダーの圧縮データを逆算して元に戻すことだけに特化しており、高解像度に必要な微細なディテールを描き足す能力には欠けていました。

PiDは、このデコード工程を「条件付きピクセル拡散」として再構築しました。デコードと4〜8倍のアップスケーリングを単一の生成モジュールに統合し、高解像度のピクセル空間で直接ノイズを除去して描き出します。

速度面では、DMD2蒸留を適用することで推論ステップ数をわずか4ステップに短縮しました。

さらに、軽量なアダプターを組み込むことで、ノイズが完全に除去しきれていない中途段階の潜在変数からも画像を復元できるようにしました。これにより、生成処理を途中で切り上げて高速プレビューを表示することが可能です。

RTX 5090で2K出力を1秒未満に短縮

処理能力と効率の向上幅も明確な数字で示されています。

民生用のRTX 5090環境において、512×512相当の潜在変数を2048×2048（2K）へデコードする処理時間は1秒未満で、ピーク時のVRAM消費は約13GBに収まりました。

データセンター向けのGB200 GPUでは、同じ処理が210ミリ秒まで高速化されます。従来の多段拡散超解像パイプラインと比較して約6倍高速でありながら、視覚的な鮮明さも向上しています。

互換性も広く、FLUX.1やSD3といった標準的なVAEだけでなく、SigLIPやDINOv2などの意味的潜在変数を用いる最新アーキテクチャにも適用できます。

なぜ重要か

これまで高解像度のAI画像を生成する際は、ディテールが甘い直出画像を我慢して受け入れるか、重厚な超解像処理を追加して長い待機時間に耐えるかの二者択一を迫られていました。

PiDはその妥協を不要にします。RTX 5090クラスのハードウェアを持つクリエイターや開発者なら、13GBのVRAMで1秒以内にシャープな2K画像を手に入れられるようになります。

業界全体にとっても、パイプライン末端の「デコーダー」が単なる解凍ツールから画質向上のブースターへと進化した意味は大きいです。オープンソースの生成環境に組み込まれれば、高解像度出力の標準タイムが大幅に短縮されるはずです。

NVIDIAのこのアプローチは非常に合理的だと感じます。巨大な基底モデルを一から再学習させるのではなく、パイプラインで最も足を引っ張っていた末端処理に絞り込み、4ステップの蒸留拡散で実用レベルに引き上げた手腕は見事です。