突破影像生成效能瓶頸：PiD 像素擴散解碼器實現極速、高畫質影像生成與超解析

本研究提出 PiD 解碼器，將潛空間解碼重塑為條件像素擴散過程，統一了解碼與放大功能。透過模型蒸餾技術，能以極低延遲生成 2K 高解析度影像，大幅提升生成效率。

Problem

現有的潛空間生成系統（如 Latent Diffusion Models）多依賴重建導向的解碼器將潛變數轉回像素。然而，這些解碼器缺乏合成細節的能力，且在處理百萬像素等級的高解析度影像時，運算成本急劇增加，成為生成效率的主要瓶頸。

Method

提出 PiD（Pixel diffusion Decoder），將解碼重新定義為「條件式像素擴散」過程，將傳統的解碼與上採樣（Upsampling）整合為單一生成模組。技術核心包含一個輕量化的 sigma-aware 適配器，用於將帶雜訊的潛變數注入像素擴散骨幹。此外，利用 DMD2 蒸餾技術將推論步驟縮減至僅需 4 步，並支援 VAE 與語義潛空間（如 SigLIP、DINOv2）。

Results

PiD 在 RTX 5090 顯卡上僅需不到 1 秒即可將 512×512 的潛空間影像解碼至 2048×2048 像素，在 GB200 GPU 上更僅需 210 毫秒。相較於傳統串聯式超解析管線，PiD 的速度提升了約 6 倍，且在視覺保真度上表現更佳。

Significance

此研究成功解決了高解析度生成中效率與品質的兩難。藉由統一解碼與上採樣流程，PiD 讓消費級硬體也能實現即時、高品質的百萬像素影像生成，對於未來開發更高效的高畫質多模態模型具有重要價值。