NVIDIA 提出 PiD：用畫素擴散替換 VAE，2K 生圖解碼壓進 1 秒

很多玩過文生圖的人都遇到過類似煩惱：潛空間裡算得好好的，最後一步轉成高解析度大圖時，髮絲、睫毛或紋理卻突然發糊發肉。

這往往不是底模理解力不行，而是負責把壓縮特徵還原成畫素的傳統 VAE 解碼器到了極限。5 月 22 日，NVIDIA 團隊提出了一項名為 PiD 的影像解碼技術，試圖徹底拔掉這個拖慢生圖管線的瓶頸。

把機械還原換成真正的生成式畫圖

主流的擴散模型和自迴歸生圖模型為了省算力，都在壓縮的潛空間裡幹活，最後靠一個解碼器把潛變數翻譯回畫素。

問題是，傳統 VAE 解碼器的本質是做資料逆運算，它的目標只是盡力重構原有壓縮包，而不是去合理合成更豐富的高頻微觀細節。一旦畫面拉到幾百萬畫素，不僅邊緣容易變軟，計算代價也會暴增。

PiD 的核心思路，是把解碼過程直接重構為一個條件畫素擴散模型。它把潛空間解碼與 4 到 8 倍的上取樣合成到同一個模組裡，直接在高解析度畫素空間中去噪生圖。

為了解決速度問題，研發團隊用 DMD2 技術對擴散模型進行了蒸餾，把原本需要幾十步的推理過程直接壓縮到了 4 步。

此外，PiD 還塞進了一個輕量級的 sigma-aware 介面卡。它允許模型接納帶噪的中間潛變數，哪怕生圖模型還沒完全走完所有步數，PiD 也能提前接手解碼，用來快速生成低延遲預覽或提前結束潛變數計算。

RTX 5090 跑 2K 不到 1 秒

速度和資源消耗是這項技術最亮眼的地方。

在消費級顯示卡 RTX 5090 上，PiD 把 512×512 尺寸的潛變數解碼放大到 2048×2048 解析度，耗時不到 1 秒，峰值視訊記憶體佔用控制在 13 GB 左右。

如果放在資料中心級別的 GB200 上跑，同樣的 2K 解碼過程只需要 210 毫秒。相比業內常見的級聯擴散超解析度管線，PiD 的速度快了大約 6 倍，視覺保真度還更好。

在相容性上，它既能直接套用在 FLUX.1、SD3 等常見模型的傳統 VAE 潛空間上，也能適配 SigLIP、DINOv2 等基於語義表徵的新型潛變數模型。

為什麼重要

長期以來，高解析度影像生成總要在兩條路里妥協：要麼忍受傳統 VAE 直出大圖的發糊質感，要麼外掛一個極慢的超解析度擴散模型慢慢磨。

PiD 的價值在於，它讓個人創作者和開發者不需要複雜的多段工作流，單靠一張 RTX 5090 就能在 1 秒內拿到銳利的 2K 大圖。13 GB 的峰值視訊記憶體門檻，也讓高階消費級顯示卡完全跑得轉。

對整個生圖工具鏈而言，解碼端正從單純的「格式解壓工具」演變成生圖質量的第二級火箭。一旦開源生態把這一技術落地到日常生圖軟體中，即時畫圖和高畫質預覽的等待體驗會被徹底重塑。

我們認為 NVIDIA 這一步走得很準。他們沒有去重新卷一個百億引數的通用文生圖底座，而是挑中了整個流水線裡最卡手、最影響最終觀感的解碼死角，用僅僅 4 步擴散的輕量架構，把速度和畫質一起提了上去。