rFID 直降 39% 但 PSNR 微降texture-fix-vae-for-qwen-image-2.1 感知质量与重建精度的完整评测texture-fix-vae-for-qwen-image-2.1 是一个面向 Qwen-Image-2.1 的修复版 VAE在 COCO 数据集上 rFID 从 3.38 降到 2.07直降约 39%解码图的感知质量明显更好但 PSNR 与 LPIPS 等重建精度指标轻微回落。本文带你完整看懂这组评测数字背后的取舍逻辑、纹理对比细节以及最简接入步骤。 评测结论速览rFID、PSNR、LPIPS 一张表看懂指标数据集方向官方 Qwen-Image-2.1-VAE (bf16)Texture-Fix (bf16)Texture-Fix (fp16)rFIDCOCO val20175000 张 256²↓ 越低越好3.382.072.06PSNRCOCO val2017 256²↑ 越高越好33.2932.7332.79LPIPSCOCO val2017 256²↓ 越低越好0.03570.03840.0380PSNRDIV2K valid1024² 原生裁剪↑ 越高越好32.8532.3532.40LPIPSDIV2K valid1024² 原生裁剪↓ 越低越好0.04600.04900.0486三个要点感知质量大赢rFID 从 3.38 降到 2.07接近腰斩fp16 精度下甚至更好2.06像素精度小输PSNR 掉 0.56 dBLPIPS 略升属于可感知范围内很小的回退两套数据集结论一致COCO 与高分辨率 DIV2K 上趋势相同说明不是某数据集的偶然结果 纹理对比棋盘格伪影去哪儿了Texture-Fix VAE 的提升在细节丰富的照片风格图像上最明显。下面两张局部对比来自同一张由 Qwen-Image-2.1 生成的照片风格 2048² 图像太平洋西北山地野花草甸场景潜变量文件为 images/pnw_meadow_stream_2048.latent.pt官方 Qwen-Image-2.1-VAE 解码Texture-Fix VAE 解码放大后可以观察到官方 VAE 在花丛、草丛等高频细节区域有轻微的块状网格痕迹Texture-Fix VAE 的对应区域纹理更自然、更接近真实照片的颗粒感。这正是 rFID 大幅下降的直接来源——解码图的分布更接近真实照片了。 指标解读为什么 rFID 大降、PSNR 却微降先用大白话理解三个指标rFID衡量解码图像的整体分布离真实照片有多近反映综合感知质量越低越好PSNR衡量逐像素重建误差反映纯像素级精度越高越好LPIPS基于深度特征的感知相似度越低越好关键在于训练配方。Texture-Fix VAE 使用带对抗GAN损失的自编码器训练配方对解码器最高分辨率的两个阶段做了微调。不同损失函数的性格是损失类型无法精确重建时的倾向MSE / MAEPSNR 导向模糊化把细节抹平LPIPS模糊 棋盘格伪影对抗GAN损失生成锐利、看起来可信的细节于是修复版 VAE 把安全但偏软、偏网格的像素复刻换成了锐利但略有偏差的细节生成rFID 分布逼近真实照片 →3.38 → 2.07像素级偏差略增 → PSNR 仅降0.56 dB肉眼几乎无感一句话总结这是感知质量优先的取舍。对于以人眼观感为目标的 AI 出图管线rFID 的大幅收益远大于 PSNR 的微幅损失。️ fp16 稳定性NaN 输出从 75 例降到 0除了纹理本次更新还顺手解决了官方 VAE 在 fp16 下解码出 NaN图像出现异常色块的问题fp16 指标编码器 解码器均为 fp16官方 Qwen-Image-2.1-VAETexture-Fix VAE解码器最大激活值fp16 上限 65504~3.5M溢出~1.3k产生 NaN 输出的输入数185 组压力测试透明/不透明/合成图与随机 latent256²–2048²750修复方法有两步一是微调解码器权重在保持输出不变的前提下压低激活幅度二是把部分权重按精确的 2 的幂次缩小每个残差分支都以 RMSNorm 开头因此输出完全不变进一步压低残差流的数值尺度。仓库自带的 fp16_demo.py 可以复现该可视化输入数据为 images/rgba_dragon_sticker_1024.latent.pt。✅ 快速上手ComfyUI 与 Diffusers 接入步骤方式一ComfyUI下载 texture_fix_vae_for_qwen_image_2.1_bf16.safetensors放入ComfyUI/models/vae/目录在Load VAE节点中选中它替换qwen_image_2.1_vae_bf16.safetensors即可配合--fp16-vae参数同样可用。方式二Diffusersimport torch from diffusers import QwenImage21Pipeline, AutoencoderKLQwenImage21 vae AutoencoderKLQwenImage21.from_pretrained(madebyollin/texture-fix-vae-for-qwen-image-2.1, torch_dtypetorch.bfloat16) pipe QwenImage21Pipeline.from_pretrained(Qwen/Qwen-Image-2.1, vaevae, torch_dtypetorch.bfloat16).to(cuda)本地获取整个仓库git clone https://gitcode.com/hf_mirrors/madebyollin/texture-fix-vae-for-qwen-image-2.1权重文件提供两种等价形式diffusers 标准的 diffusion_pytorch_model.safetensorsfrom_pretrained自动加载和 ComfyUI 直接可用的 texture_fix_vae_for_qwen_image_2.1_bf16.safetensors模型结构参数64 通道潜变量、16 倍空间下采样等见 config.json。 版本与许可说明2026-09-24 首次发布微调解码器最高分辨率两个阶段约 5000 步、学习率 3e-5、可训练参数 7.5M修复棋盘格伪影2026-10-05 更新新增 fp16 NaN 修复解码器约 60k 步微调 重跑 8000 步恢复纹理细节 按 2 的幂次重标定权重指标与首发版基本持平⚠️许可注意本项目基于 Qwen/Qwen-Image-2.1遵循 Qwen RESEARCH LICENSE仅限非商业/研究用途详见 LICENSE 与 NOTICE更多评测细节与完整设置说明见 README.md。创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/11/3 10:29:31 · 阅读 1.2k rFID 直降 39% 但 PSNR 微降：texture-fix-vae-for-qwen-image-2.1 感知质量与重建精度的完整评测
rFID 直降 39% 但 PSNR 微降texture-fix-vae-for-qwen-image-2.1 感知质量与重建精度的完整评测texture-fix-vae-for-qwen-image-2.1 是一个面向 Qwen-Image-2.1 的修复版 VAE在 COCO 数据集上 rFID 从 3.38 降到 2.07直降约 39%解码图的感知质量明显更好但 PSNR 与 LPIPS 等重建精度指标轻微回落。本文带你完整看懂这组评测数字背后的取舍逻辑、纹理对比细节以及最简接入步骤。 评测结论速览rFID、PSNR、LPIPS 一张表看懂指标数据集方向官方 Qwen-Image-2.1-VAE (bf16)Texture-Fix (bf16)Texture-Fix (fp16)rFIDCOCO val20175000 张 256²↓ 越低越好3.382.072.06PSNRCOCO val2017 256²↑ 越高越好33.2932.7332.79LPIPSCOCO val2017 256²↓ 越低越好0.03570.03840.0380PSNRDIV2K valid1024² 原生裁剪↑ 越高越好32.8532.3532.40LPIPSDIV2K valid1024² 原生裁剪↓ 越低越好0.04600.04900.0486三个要点感知质量大赢rFID 从 3.38 降到 2.07接近腰斩fp16 精度下甚至更好2.06像素精度小输PSNR 掉 0.56 dBLPIPS 略升属于可感知范围内很小的回退两套数据集结论一致COCO 与高分辨率 DIV2K 上趋势相同说明不是某数据集的偶然结果 纹理对比棋盘格伪影去哪儿了Texture-Fix VAE 的提升在细节丰富的照片风格图像上最明显。下面两张局部对比来自同一张由 Qwen-Image-2.1 生成的照片风格 2048² 图像太平洋西北山地野花草甸场景潜变量文件为 images/pnw_meadow_stream_2048.latent.pt官方 Qwen-Image-2.1-VAE 解码Texture-Fix VAE 解码放大后可以观察到官方 VAE 在花丛、草丛等高频细节区域有轻微的块状网格痕迹Texture-Fix VAE 的对应区域纹理更自然、更接近真实照片的颗粒感。这正是 rFID 大幅下降的直接来源——解码图的分布更接近真实照片了。 指标解读为什么 rFID 大降、PSNR 却微降先用大白话理解三个指标rFID衡量解码图像的整体分布离真实照片有多近反映综合感知质量越低越好PSNR衡量逐像素重建误差反映纯像素级精度越高越好LPIPS基于深度特征的感知相似度越低越好关键在于训练配方。Texture-Fix VAE 使用带对抗GAN损失的自编码器训练配方对解码器最高分辨率的两个阶段做了微调。不同损失函数的性格是损失类型无法精确重建时的倾向MSE / MAEPSNR 导向模糊化把细节抹平LPIPS模糊 棋盘格伪影对抗GAN损失生成锐利、看起来可信的细节于是修复版 VAE 把安全但偏软、偏网格的像素复刻换成了锐利但略有偏差的细节生成rFID 分布逼近真实照片 →3.38 → 2.07像素级偏差略增 → PSNR 仅降0.56 dB肉眼几乎无感一句话总结这是感知质量优先的取舍。对于以人眼观感为目标的 AI 出图管线rFID 的大幅收益远大于 PSNR 的微幅损失。️ fp16 稳定性NaN 输出从 75 例降到 0除了纹理本次更新还顺手解决了官方 VAE 在 fp16 下解码出 NaN图像出现异常色块的问题fp16 指标编码器 解码器均为 fp16官方 Qwen-Image-2.1-VAETexture-Fix VAE解码器最大激活值fp16 上限 65504~3.5M溢出~1.3k产生 NaN 输出的输入数185 组压力测试透明/不透明/合成图与随机 latent256²–2048²750修复方法有两步一是微调解码器权重在保持输出不变的前提下压低激活幅度二是把部分权重按精确的 2 的幂次缩小每个残差分支都以 RMSNorm 开头因此输出完全不变进一步压低残差流的数值尺度。仓库自带的 fp16_demo.py 可以复现该可视化输入数据为 images/rgba_dragon_sticker_1024.latent.pt。✅ 快速上手ComfyUI 与 Diffusers 接入步骤方式一ComfyUI下载 texture_fix_vae_for_qwen_image_2.1_bf16.safetensors放入ComfyUI/models/vae/目录在Load VAE节点中选中它替换qwen_image_2.1_vae_bf16.safetensors即可配合--fp16-vae参数同样可用。方式二Diffusersimport torch from diffusers import QwenImage21Pipeline, AutoencoderKLQwenImage21 vae AutoencoderKLQwenImage21.from_pretrained(madebyollin/texture-fix-vae-for-qwen-image-2.1, torch_dtypetorch.bfloat16) pipe QwenImage21Pipeline.from_pretrained(Qwen/Qwen-Image-2.1, vaevae, torch_dtypetorch.bfloat16).to(cuda)本地获取整个仓库git clone https://gitcode.com/hf_mirrors/madebyollin/texture-fix-vae-for-qwen-image-2.1权重文件提供两种等价形式diffusers 标准的 diffusion_pytorch_model.safetensorsfrom_pretrained自动加载和 ComfyUI 直接可用的 texture_fix_vae_for_qwen_image_2.1_bf16.safetensors模型结构参数64 通道潜变量、16 倍空间下采样等见 config.json。 版本与许可说明2026-09-24 首次发布微调解码器最高分辨率两个阶段约 5000 步、学习率 3e-5、可训练参数 7.5M修复棋盘格伪影2026-10-05 更新新增 fp16 NaN 修复解码器约 60k 步微调 重跑 8000 步恢复纹理细节 按 2 的幂次重标定权重指标与首发版基本持平⚠️许可注意本项目基于 Qwen/Qwen-Image-2.1遵循 Qwen RESEARCH LICENSE仅限非商业/研究用途详见 LICENSE 与 NOTICE更多评测细节与完整设置说明见 README.md。创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考