PixelDiT y PiD: DiT de píxeles sin VAE de 1.3B + Superresolución PiD de 4 pasos de NVIDIA

PixelDiT (CVPR 2026) es un transformer de difusión en espacio de píxeles sin VAE con 1.3B de parámetros, que presenta una arquitectura de doble nivel (DiT a nivel de parche + DiT a nivel de píxel) y fusión texto-imagen MM-DiT. PiD (Pixel Diffusion Decoder) reformula la decodificación de latente a píxel como un modelo de difusión condicional en espacio de píxeles, unificando la decodificación y el escalado en un solo módulo generativo con inferencia destilada en 4 pasos. PiD admite múltiples espacios latentes, incluidos FLUX.1, FLUX.2, SD3, SDXL y Qwen-Image.