英伟达定义文生图最后一步：潜在表征直达4K，高精细节一步生成！

2K 图像 210ms 解码，4K 细节直接生成，传统「解码 + 超分」流水线可能要被重写了。

文生图模型现已内卷至 4K、超写实、电影级光影水准，但一张 AI 图像要想像 GPT-Image2 一样呈现高级质感，只靠增加扩散主干的参数规模和训练数据就足够了吗？

主流文生图模型通常分两步：在「潜空间」生成压缩的潜在表征（latent），再由「解码器」（decoder）还原为像素图。传统解码器仅负责「解压」，不主动创造细节。但在生成 2K、4K 高精图片时，解码器能否处理纹理细节，兼顾速度与显存，已成为高精渲染的瓶颈。这个长期被低估的「从 latent 到 pixel」转换环节，正是决定最终图片质感的关键。

现在，英伟达 Spatial Intelligence Lab 团队提出了一种新解法：Pixel diffusion Decoder (PiD)。

• 论文地址：https://arxiv.org/pdf/2605.23902
• 项目主页：https://research.nvidia.com/labs/sil/projects/pid/

简单说，PiD 把 latent decoding 本身改造成一个生成式 pixel diffusion 过程，并且在解码的同时还做到了 4 倍甚至 8 倍的上采样，让最终的图像增加了惊人的细节。

PiD 可以把对应 512×512 图像的 latent，直接解码成 2048×2048 的像素输出；在 GB200 上 2K 分辨率解码延迟约210ms；在消费级 RTX 5090 上也能做到1 秒以内，峰值显存约13GB。更重要的是，它不仅快，而且细节更锐、质感更强，在多个图像质量指标上超过传统扩散超分级联方案。

这或许揭示了 GPT-Image2 这类高精图像模型背后一个更通用的趋势：高分辨率和多细节生成的关键，不只是「更大的生成模型」，也可能是「更会生成细节的 decoder」。

高精渲染的瓶颈，藏在最后一步

当前主流文生图模型大多基于潜在扩散模型（latent diffusion model）。

它们不会直接在完整像素空间里生成图像，而是先在一个压缩后的潜空间中完成去噪和构图，再通过 VAE decoder 把潜在表示还原为像素图像。

这个设计极大降低了生成成本，也让 Stable Diffusion、FLUX 等模型成为可能。

但问题也随之出现：传统 decoder 本质上是重建型模块，它的目标是尽可能还原编码器压缩的信息，而不是主动生成新的高频细节。

当目标分辨率来到 2K、4K 时，这个弱点会被放大。

一方面，latent 中本来就丢失了一些细节；另一方面，VAE decoder 往往会把 latent 里的噪声、瑕疵、伪影一起传递到最终图像中。而为了实现高分辨率生成，很多系统不得不在后面再接一个 超分辨率模型，这就是典型的级联流水线：

低分辨率潜在表示 → VAE 解码 → 超分扩散模型 → 高分辨率图像

看起来合理，但代价很高：步骤多、延迟高、显存压力大，而且每一环都可能引入新的失真。

PiD 要做的，就是砍掉这条流水线。

PiD：让 decoder 从「还原器」变成「生成器」

PiD 的核心思想很直接：既然像素扩散模型已经证明自己擅长生成高频细节，那为什么不直接让它承担 decoder 的角色？

于是，PiD 把潜在表示解码重新定义为一个条件像素扩散模型（conditional pixel diffusion model）。

潜在表示负责提供全局结构、语义布局和主体信息；像素扩散模型负责在目标分辨率下合成纹理、边缘、文字、皮肤、毛发、布料等细节。

换句话说，PiD 不再是「从 latent 里还原信息」，而是「以 latent 为条件，在高分辨率像素空间里重新生成一张图」。

这也是它和传统 VAE decoder 的根本区别：

VAE decoder 更像一个压缩文件的解压器，PiD 更像一个带生成能力的高分辨率渲染器。

论文中，PiD 基于 PixelDiT 这类像素空间扩散模型构建，并加入一个轻量级适配器，将低分辨率 latent 注入到高分辨率像素扩散主干中。为了让模型知道什么时候该相信 latent、什么时候该发挥生成先验，团队还设计了 sigma-aware gate：潜在表征越干净，注入越强；潜在表征越嘈杂，模型越依赖自身的像素生成先验。

这让 PiD 不仅能处理完整去噪后的 latent，还能处理尚未完全去噪的中间 latent。

这个设计带来了一个非常实用的能力：提前终止 latent diffusion。

FLUX 还没跑完，PiD 已经可以开始画了

在 FLUX.1 [dev] 这类模型中，完整生成通常需要 28 个 denoising step。PiD 的设计让推理变得更加有趣：不一定要等 latent diffusion 全部跑完。

论文中，PiD 可以在 FLUX.1 [dev] 第 24 步甚至更早就接管尚未完全去噪潜在表征，并直接生成 2048×2048 图像。

这意味着，潜空间的去噪过程可以更早停下来，剩余的细节生成交给 PiD 在像素空间完成。

论文实验显示，完全跑满 denoising step 时，PiD 更忠实于原始 latent；而在中间 step 接管时，由于 latent 还没有把所有细节「钉死」，PiD 反而有更多空间去补充高频纹理，部分场景中会生成更锐利、更丰富的细节。

这相当于把高精渲染过程拆成两层：

• 第一层：潜空间扩散模型负责整体构图和语义；
• 第二层：PiD 负责高分辨率细节合成。

这对于商业图像生成系统尤其重要，因为延迟、成本、显存占用，都直接影响服务规模。

210ms 解码 2K，速度和画质同时赢

在 2048×2048 解码任务上，PiD 的速度数据非常亮眼。

以 GB200 + torch.compile 为例，PiD 2K 解码约211ms。对比常见扩散超分基线：

• SeedVR2-3B 约 1237ms；
• InvSR-1 约 1018ms；
• TSD-SR 约 725ms。

也就是说，相比扩散式超分管线，PiD 大约快3 到 6 倍。

而它并不是用画质换速度。

论文使用 MUSIQ、NIQE、DEQA、MANIQA、Q-Align、Unipercept、VisualQuality-R1 等多种图像质量指标评测。结果显示，在 FLUX.1、FLUX.2、SD3、Z-Image 等 VAE latent，以及 DINOv2、SigLIP 等 vision encoder latent 上，PiD 在大多数指标上取得最优或接近最优表现。

论文还用闭源多模态大模型做图像质量评判，让模型比较 PiD 结果和级联超分结果。在 Claude 4.6 Opus、Gemini 3 Flash、GPT 5.5 系列评测器中，PiD 对比所有方法均以高胜率胜出。

换句话说，PiD 不仅快，而且效果还能更好。

PiD 生成更好的毛发细节，且耗时更短

PiD 具有更高的图像质量指标

不挑模型：VAE 和 RAE 的 latent 都能用

PiD 另一个值得注意的地方，它被验证可以适配多种 latent 来源，包括而不限于：FLUX.1、FLUX.2、SDXL、SD3、Z-Image、DINOv2、SigLIP-2……

这点很关键。

这证明了 PiD 是一个通用的范式：只要潜在表征能提供结构和语义，PiD 就可以把它转化为高分辨率图像。

尤其是在 RAE 这类表征自编码器（representation autoencoder） 中，使用 DINOv2 / SigLIP-2 这些视觉编码器的潜空间，他们表征往往更语义化，保留了高层结构，但对底层纹理约束不充分。传统解码器很难补齐这些缺失的外观细节，而 PiD 正好可以用生成式能力来补充这部分细节。

这意味着，未来潜空间的设计可以更大胆：潜在表征不必负责保存所有像素细节，只要保住结构和语义，剩下的高频细节可以交给 PiD 这类生成式 decoder。

直接挑战原生 2K 生成：比 FLUX.2 native 2K 快 14.3 倍

高分辨率图像生成还有另一条路线：原生生成 2K 图像。

问题是，成本非常高。

论文将 FLUX.2 原生 2K、PixelDiT 原生 2K，以及 FLUX.2 先生成 512×512 latent 再接 PiD 解码 2K 图像的方案进行了对比。

结果显示，在单张 GB200 上、不使用 torch.compile 的设置下：

• PixelDiT 原生 2K：约 13.3 秒；
• FLUX.2 原生 2K：约 102.2 秒；
• FLUX.2 512×512 + PiD (解码 2048)：约 7.1 秒。

也就是说，FLUX.2 + PiD 的路线比 PixelDiT 快 1.87 倍，比 FLUX.2 native 2K 快 14.3 倍。

在画面表现上，FLUX.2 + PiD 比 PixelDiT 有着更强指令跟随能力和画质；和 FLUX.2 相比仍然保持有竞争力的视觉质量，在一些细节甚至更锐。

这给高分辨率生成提供了一个新的可靠的工程方案：

• 不一定要让超大模型在 2K 像素级别硬跑到底；
• 可以让潜空间扩散模型负责低分辨率语义生成，再让 PiD 完成高分辨率细节渲染。

这种解耦方式，对于在线图像生成服务、批量内容生产、广告创意、电商图、游戏资产、影视概念图等场景，都有直接价值。

4K 也能做：同一套范式自然扩展

PiD 不只停留在 2K。

论文进一步展示了 4K 解码结果：给定低分辨率潜在表征，PiD 可以直接生成 4096×4096 图像，并补充更多细节。

从实验设置看，4K 版本沿用了 2K 的训练范式：先训练 4K 分辨率下的像素扩散模型先验，再加入潜在表征适配器，最后通过 DMD2 蒸馏成 4-step 的模型。不需要额外的设计和改动，自然的 scale up 到了 4K 分辨率。

在显存方面，论文报告显示 PiD 的扩展性也优于传统 VAE decoder。标准 FLUX.1 VAE decoder 在 4K 高分辨率下直接爆掉了 H100 的 80G 显存，不得不采取 tiling 的工程 trick 来解码图像。而 PiD 的 4K decoding 下仅需约 22.5GB 峰值显存。

这意味着，PiD 并不是一个只能在小图上跑的概念验证，而是面向 2K、4K 生成服务的实际 decoder 组件。

背后的技术关键词：4-step、DMD2、sigma-aware latent adapter

从工程角度看，PiD 能把速度压到这么低，关键不只是换了一个 decoder，而是整套训练和推理流程的设计。

首先，它把高分辨率像素扩散模型先验作为基础，让模型一开始就拥有强像素生成能力。

其次，它通过轻量级适配器往主干注入潜在表征，sigma-aware gate 控制条件注入强度。推理时可以自然处理「还没完全去噪」的中间潜在表征。

最后，PiD 通过 DMD2 进行蒸馏，把原本多步采样的模型压缩为 4 步。论文结果显示，4 步的蒸馏版本不仅显著加速，视觉指标上还可以超过多步版本。

这也是 PiD 能在 210ms 级别完成 2K 解码的重要原因。

高精渲染的下一步：decoder 成为核心模块

PiD 的意义，不只是让某个超分环节更快。

它实际上重新定义了图像生成系统里的 decoder：decoder 不再是被动的重建模块，而是主动的高分辨率生成模块。

这会改变高分辨率图像系统的设计方式。

过去，研究重点更多放在潜在扩散模型的主干网络：模型更大、训练数据更多。PiD 则提醒我们，最终解码的这一步同样是决定最终画质的关键战场。

当解码器具备生成能力后，基础模型不必承担所有像素细节；高分辨率纹理、锐化、细节补全，可以交给更专门的 pixel diffusion decoder 完成。

对于未来的图像生成、视频生成、world model 和闭环仿真系统，这种模块化思路都很有想象空间。

结语：GPT-Image2 式高精图像，秘密可能在「最后一公里」

高精图像生成看起来像魔法，但拆开来看，它有一个非常工程化的问题：潜在表征里有了结构和语义之后，谁来负责把它变成真正清晰、锐利、细节丰富的像素？

PiD 给出的答案是：让 decoder 自己成为一个生成模型。

从 512×512 latent 直出 2048×2048 图像，从 2K 210ms 解码到 4K 扩展，从 FLUX、SD3 到 DINOv2、SigLIP，PiD 展示了一种新的高分辨率生成范式。

未来，当我们讨论 GPT-Image2 这类模型为什么能生成惊人细节时，答案也许不只在更强的 prompt 理解和更大的 diffusion backbone 中，还在这个长期被低估的「最后一公里」：

如何把潜在表征变成高质量像素。

而英伟达这篇 PiD，正是把这件事推到了台前。

作者介绍

PiD 论文第一作者Yifan Lu 是多伦多大学的博士生，师从 Sanja Fidler 教授。同时也是 NVIDIA Spatial Intelligence Lab 的研究员，研究方向为 Generative model 和 3D Vision。