NVIDIA 提出 PiD：用像素扩散替换 VAE，2K 生图解码压进 1 秒

很多玩过文生图的人都遇到过类似烦恼：潜空间里算得好好的，最后一步转成高分辨率大图时，发丝、睫毛或纹理却突然发糊发肉。

这往往不是底模理解力不行，而是负责把压缩特征还原成像素的传统 VAE 解码器到了极限。5 月 22 日，NVIDIA 团队提出了一项名为 PiD 的图像解码技术，试图彻底拔掉这个拖慢生图管线的瓶颈。

把机械还原换成真正的生成式画图

主流的扩散模型和自回归生图模型为了省算力，都在压缩的潜空间里干活，最后靠一个解码器把潜变量翻译回像素。

问题是，传统 VAE 解码器的本质是做数据逆运算，它的目标只是尽力重构原有压缩包，而不是去合理合成更丰富的高频微观细节。一旦画面拉到几百万像素，不仅边缘容易变软，计算代价也会暴增。

PiD 的核心思路，是把解码过程直接重构为一个条件像素扩散模型。它把潜空间解码与 4 到 8 倍的上采样合成到同一个模块里，直接在高分辨率像素空间中去噪生图。

为了解决速度问题，研发团队用 DMD2 技术对扩散模型进行了蒸馏，把原本需要几十步的推理过程直接压缩到了 4 步。

此外，PiD 还塞进了一个轻量级的 sigma-aware 适配器。它允许模型接纳带噪的中间潜变量，哪怕生图模型还没完全走完所有步数，PiD 也能提前接手解码，用来快速生成低延迟预览或提前结束潜变量计算。

RTX 5090 跑 2K 不到 1 秒

速度和资源消耗是这项技术最亮眼的地方。

在消费级显卡 RTX 5090 上，PiD 把 512×512 尺寸的潜变量解码放大到 2048×2048 分辨率，耗时不到 1 秒，峰值显存占用控制在 13 GB 左右。

如果放在数据中心级别的 GB200 上跑，同样的 2K 解码过程只需要 210 毫秒。相比业内常见的级联扩散超分辨率管线，PiD 的速度快了大约 6 倍，视觉保真度还更好。

在兼容性上，它既能直接套用在 FLUX.1、SD3 等常见模型的传统 VAE 潜空间上，也能适配 SigLIP、DINOv2 等基于语义表征的新型潜变量模型。

为什么重要

长期以来，高分辨率图像生成总要在两条路里妥协：要么忍受传统 VAE 直出大图的发糊质感，要么外挂一个极慢的超分辨率扩散模型慢慢磨。

PiD 的价值在于，它让个人创作者和开发者不需要复杂的多段工作流，单靠一张 RTX 5090 就能在 1 秒内拿到锐利的 2K 大图。13 GB 的峰值显存门槛，也让高端消费级显卡完全跑得转。

对整个生图工具链而言，解码端正从单纯的「格式解压工具」演变成生图质量的第二级火箭。一旦开源生态把这一技术落地到日常生图软件中，实时画图和高清预览的等待体验会被彻底重塑。

我们认为 NVIDIA 这一步走得很准。他们没有去重新卷一个百亿参数的通用文生图底座，而是挑中了整个流水线里最卡手、最影响最终观感的解码死角，用仅仅 4 步扩散的轻量架构，把速度和画质一起提了上去。