PixelDiT и PiD: VAE-free 1.3B пиксельный DiT + PiD 4-шаговое суперразрешение от NVIDIA
PixelDiT — это VAE-free 1.3B пиксельный DiT от NVIDIA для генерации текста в изображение. PiD предоставляет 4-шаговые дистиллированные декодеры суперразрешения до 4K для нескольких латентных пространств.
PixelDiT и PiD
Text-to-ImageVAE-freeSuper Resolution1.3B4KDistilledPixelDiT (CVPR 2026) — это VAE-free пиксельный диффузионный трансформер с 1,3B параметров, использующий двухуровневую архитектуру (Patch-level DiT + Pixel-level DiT) и MM-DiT слияние текста и изображения. PiD (Pixel Diffusion Decoder) переопределяет декодирование из латентного пространства в пиксели как условную пиксельную диффузионную модель, объединяя декодирование и апскейлинг в один генеративный модуль с 4-шаговым дистиллированным инференсом. PiD поддерживает несколько латентных пространств, включая FLUX.1, FLUX.2, SD3, SDXL и Qwen-Image.
| Разработчик | NVIDIA |
| Дата выпуска | 2026 (CVPR 2026) |
| Архитектура | Пиксельный DiT (PixelDiT 1.3B) + Pixel Diffusion Decoder (PiD) |
| Лицензия | NSCLv1 (некоммерческое исследование/оценка) |
| Выходное разрешение | 1024px (PixelDiT), до 4096px (PiD) |
| Шаги инференса | 25-50 (PixelDiT), 4 (PiD дистиллированный) |
| Текстовый энкодер | Gemma-2-2B-IT |
Guides and workflows related to this model series.
Комментарии
Войдите через GitHub, чтобы участвовать в обсуждении.