Texture-Fix-VAE：为 Qwen-Image 2.1 带来更干净的 VAE 解码器

Qwen-Image 2.1 在压缩后的 Latent 空间中执行去噪，而 VAE 解码器 是把该 Latent 还原为像素的最后一步。无论采样质量多好，解码器无法干净重建的部分都会固化到最终图像中。自发布以来，用户一直在描述这一症状：隐约的两像素网格，以及在树叶、头发和织物等细节密集区域略显抖动的观感。

Texture-Fix-VAE 专门针对这一步进行改进。编码器未被改动，因此 Latent 格式、采样调度以及所有 LoRA 或量化 checkpoint 都能照常工作，无需任何更改。

之前与之后

作者使用 Qwen-Image 2.1，基于一个充满细腻纹理的写实风格提示词生成了下方对比所用的 Latent：

Landscape photograph of a subalpine wildflower meadow in the Pacific Northwest in midsummer: a clear mountain stream winding over mossy boulders through purple lupine and red paintbrush, dense old-growth Douglas fir and western red cedar forest behind, a snow-capped volcano in the distance, golden late-afternoon light, highly detailed

两列解码的是相同的 Latent，因此任何差异都只来自解码器。

原始 VAE，放大裁剪	Texture-Fix-VAE，相同裁剪

原始 VAE，第二处放大裁剪	Texture-Fix-VAE，相同裁剪

原始 VAE，完整的 1024 x 1024 解码	Texture-Fix-VAE，完整解码

内部有哪些变化

仅解码器经过了微调，训练约 5,000 步，学习率为 3e-5。两个最高分辨率的解码器阶段和输出头保持可训练状态，合计约 750 万个可训练参数，训练使用了作者为 TAESD 开发的配方。

该配方混合了三个损失函数族，每一个都从不同方向推动重建效果：

对抗项在这里正是关键所在。作者的判断是，原始 Qwen-Image 2.1 VAE 在训练时没有可用的对抗损失项，这正好可以解释网格问题：感知项可以自由地朝棋盘格方向推动，因为没有任何东西惩罚明显虚假的结构。

指标

这是 GAN 风格解码器常见的取舍：感知质量（rFID）提升约三分之一，而重建精度（PSNR 与 LPIPS）则略微下降。作者指出，这种改进在细节丰富的写实风格图像上最为明显，而在平坦的插画上则不太看得出来。

在 ComfyUI 中使用

将 texture_fix_vae_for_qwen_image_2.1_bf16.safetensors 下载到 ComfyUI/models/vae/，然后在 Load VAE 节点中选择它来替代 qwen_image_2.1_vae_bf16.safetensors。无需更改任何节点、工作流或采样器，随时都可以换回原文件。

在 ComfyUI 之外，相同的权重可作为普通 diffusers VAE 加载：

import torch
from diffusers import QwenImage21Pipeline, AutoencoderKLQwenImage21

vae = AutoencoderKLQwenImage21.from_pretrained(
    "madebyollin/texture-fix-vae-for-qwen-image-2.1", torch_dtype=torch.bfloat16
)
pipe = QwenImage21Pipeline.from_pretrained(
    "Qwen/Qwen-Image-2.1", vae=vae, torch_dtype=torch.bfloat16
).to("cuda")

获取方式

权重： madebyollin/texture-fix-vae-for-qwen-image-2.1
ComfyUI 文件： texture_fix_vae_for_qwen_image_2.1_bf16.safetensors
基础模型： Qwen/Qwen-Image-2.1
作者更早的工作： TAESD、sdxl-vae-fp16-fix