NVIDIAが超解像モデル「PID 1.5」公開：数秒で2K化、画質と発色が向上

PID 1.5は、NVIDIAが公開したオープンソースの拡散デコーダーです。従来のVAEを置き換え、生成モデルの潜在空間データをワンパスで超解像ピクセルへと直接変換します。

通常の画像生成ワークフローでは、まず低解像度の画像を生成してデコードし、そこへ外部のアップスケーラーを適用するのが一般的でした。PIDはこの二段階の手順を統合し、ピクセル空間の条件付き拡散モデルとして超解像とデコードを同時に処理します。

驚くべきはその処理速度です。民生用の一般的なグラフィックボード上でも、512×512の潜在画像をわずか数秒で2K画像へと引き上げ、最大4Kまでスケールアップできます。

バージョン1.5の改良点

1.0と比べた最大の進化は、細部の鮮鋭度と色再現性の向上です。

初期バージョンで見られた画像の隅に出るグリッド状の歪みや、発色のくすみが解消されました。全体的なコントラストとディテールが自然に引き締まっています。

さらに1.5では、アニメ系データや小さな顔の学習データが大幅に追加されました。遠景の人物の顔立ちや微細な輪郭線も崩れにくくなっています。

対応モデルも広がっており、FLUXやZ-Imageに加え、FLUX.2やQwen-Imageといった主要モデルのVAEに対応しました。1:1や16:9など多彩なアスペクト比をそのまま扱えます。

導入と使い勝手

モデルの重みとコード、さらには学習コード一式がGitHubとHugging Faceで公開されています。

Python環境で直接動かす場合は、PyTorchやCUDA、diffusersが整っていればuvやpipを使って数分でセットアップ可能です。テキストからの生成や既存画像のアップスケール用スクリプトが用意されています。

また、ComfyUIにも既に対応しています。既存のワークフローで使っている標準VAEノードを置き換えるだけで、この高速な超解像デコードを導入できます。

なお、純粋に2048ピクセルの出力だけで比較すると、専用設計された初期の2Kチェックポイントのほうがややシャープに映る場合があります。1.5は2Kから4Kへの可変解像度を美しく処理する用途に向いています。

なぜ重要か

FLUXやQwen-Imageをローカル環境で動かしているクリエイターにとって、試す価値が非常に高いツールです。アップスケーラーを後段に挟む手間とVRAM消費を抑え、生成にかかる待ち時間を劇的に削ってくれます。

デコーダー自体に超解像能力を持たせて一発で高解像度化するアプローチは、非常に合理的です。煩雑になりがちだったオープンソース生成ツールのパイプラインをスリム化する好例と言えます。