英偉達團隊近日宣布推出一項名為PiD（Pixel Diffusion Decoder，像素擴散解碼器）的圖像生成技術，該技術能夠在消費級顯卡上實現超高分辨率圖像的快速生成與放大。實驗數據顯示，在單張RTX 5090顯卡上，PiD可將512×512分辨率的圖像潛變量直接解碼并放大至2048×2048像素，峰值顯存占用僅為13GB，處理時間不足1秒；若使用GB200 GPU，最快僅需210毫秒。
傳統高分辨率圖像生成流程通常分為兩步：首先在潛在空間生成低分辨率圖像，再通過解碼器恢復為清晰圖像。潛在空間是模型對原始圖像進行壓縮后的數值表示，雖保留了主體結構與語義信息，但舍棄了大量像素級細節，從而降低了計算成本。然而，傳統解碼器主要承擔“復原”任務，面對百萬像素級圖像時，其速度與質量均存在顯著瓶頸。
PiD的創新之處在于將潛在解碼重新定義為條件式像素擴散過程，并將解碼與上采樣整合至同一生成模塊中。這一設計使模型能夠在輸出階段主動補足紋理、結構及局部細節。條件式像素擴散通過參考額外輸入（如低分辨率圖像或語義信息）來約束生成結果，而非完全隨機生成，從而提升了可控性與生成質量。
技術實現層面，PiD基于PixelDiT架構構建，并引入輕量級ControlNet風格適配器。該適配器將含噪的潛在表示注入模型，并通過與西格瑪相關的門控機制，根據噪聲強度動態調整對潛在信息的依賴程度。為進一步優化推理速度，研究團隊采用DMD2蒸餾技術，將推理步數壓縮至4步，同時配合早停機制，在保證輸出質量的前提下顯著降低延遲。
PiD的另一大優勢是其通用性。該技術不僅支持傳統VAE（變分自編碼器）生成的潛變量，還可兼容RAE（重建自編碼器）路線常用的語義潛變量，如SigLIP和DINOv2。這一特性使其能夠適配多種圖像生成框架，拓展了應用場景。
與級聯式擴散超分方案相比，PiD在端到端延遲上表現優異，最高可提升5.9倍（約6倍），同時視覺保真度更優。實驗結果表明，PiD在保持細節豐富度的同時，有效減少了生成過程中的偽影與模糊現象，為高分辨率圖像生成領域提供了新的解決方案。
