论文导读
香港理工大学、OPPO研究院提出PVD，让两个半尺寸专家接力完成画图：前段确定结构，后段补细节。两段累计计算接近原始骨干的一次前向计算，三种文生图模型的峰值显存减少45.76%至48.36%。论文同时展示了猫、花束、咖啡与风景等生成对照，检查加速后能保留多少画面质量。
少走几步，画面细节别一起丢
扩散画图通常需要多次计算，逐渐把噪声变成完整图片。减少生成步骤可以加速，但把整个过程压进一个模型的一次映射，经常让画面显得过于平滑。结构布局和精细纹理需要做的工作并不相同。
PVD把生成时间分为前后两个阶段。早期专家负责较粗的结构构成，晚期专家负责进一步细化，每个专家约为原骨干的一半大小。它们依次运行，累计计算量接近一次完整骨干前向，而非两个完整大模型各跑一遍。
这里的“一次计算预算”指计算量归一化后的比较，不等于只调用一次网络。两个专家接力仍有先后顺序，实际耗时也要看实现和硬件。
图：两种整段学习路线与分阶段学习路线对照，右侧标出两个半尺寸专家。
先学大模型，再各管一段生成
团队从较大的教师模型提取半尺寸骨干，先让小模型学习教师怎样改变画面，再分别训练两个阶段的专家。文生图版本还针对各阶段加入细化训练，改善生成结果与参考分布之间的差距。
研究在Stable Diffusion 3.5-Medium、FLUX.1-dev和Qwen-Image上验证这一拆分。不同骨干采用不同专家实现，但共同点是把结构与细节对应的计算分开，让每段学习更明确的变化。
论文对比了教师、PVD与其他加速方法的图片。猫的毛发、花束、招牌文字和街景提供了不同难度的案例，不能只凭一张漂亮示例判断所有提示词都能保住效果。
图：从教师提取小骨干，再进行分阶段训练和文生图细化的流程。
显存近半，速度和质量还要分开看
三种文生图骨干的峰值显存分别从4.99降至2.67GiB、22.64降至12.28GiB、38.42降至19.84GiB，对应减少46.49%、45.76%和48.36%。激活参数减少约49.10%至50.89%，但两个阶段合计的总参数与单阶段激活参数不同。
在ImageNet的256×256类条件生成中，PVD的FID为1.48，低于被测加速方法iMF的1.72和FACM的1.76。FID衡量生成与参考图像分布的差距，不能写成单张图片的画质分或正确率。
文生图各项测试并非全都超过教师。Qwen-Image的GenEval由0.8720变为0.8846，但Qwen-Image-Bench综合分由48.78变为46.85。这说明加速保留了很多能力，也需要按具体任务看质量变化，不能用一个指标宣布全面超过大模型。
猫、花束和街头文字的定性对照分别显示不同模型的输出，它们是局部样例，不能单独代表整套测试的平均表现。
图：猫、花束、店面招牌和涂鸦的教师及多种加速模型生成对照。
把阶段分工变成更细的部署选择
峰值显存下降直接关系到设备能否装下推理过程。PVD给出的路线，是让较小专家承担各自的一段任务，按累计计算和质量共同衡量收益。
团队还用Unsplash照片继续训练，展示了光照、纹理与真实感调整的样例。后续可以研究怎样划分阶段、采用多少专家；密集物体计数和少见空间关系仍需单独检查。使用者可围绕自己的提示词集，测出实际显存、耗时与成功表达要求的比例。
