🔥 今日值得一读
免训练扩散加速新突破：CacheScope实现3.57倍提速，误差直降70%！
CacheScope: Exact-Compute Allocation for Training-Free Diffusion Acceleration
👨💼 主理人解读 · 为什么值得关注
开发者可据此调整扩散模型跳步策略，把精确计算放在关键步而非堆叠重建器，免费提升生成质量。
📖 AI 总结
本文提出 CacheScope，一种无需训练的扩散模型推理加速方法。作者发现，在采用稳定的一阶特征重建器后，继续提升重建复杂度收益有限，而精确计算步骤的放置位置对生成保真度影响更大。研究进一步指出，浅层探针的绝对变化同时受输入轨迹位移与网络响应强度影响，无法直接反映缓存风险；通过用输入位移对探针输出变化进行归一化，可得到单位轨迹移动的方向性增益，作为更可靠的信号。基于该信号，CacheScope 在线识别高风险复用步骤，并选择性回退到完整去噪计算，且不改变底层缓存重建器，无需额外训练、梯度、辅助网络或针对提示词的离线调度优化。在 FLUX.1-dev、Wan2.1-T2V-1.3B 和 Open-Sora 1.2 上，该方法实现最高 3.57 倍加速，并将中位 LPIPS 较最强探针基线最多降低 70.1%。
🔑 关键词速览
| 扩散Transformer | 一种将Transformer架构用于扩散模型的生成模型，常用于图像和视频生成。 |
| 免训练特征复用 | 在推理时重复使用之前步骤计算的特征，而无需重新训练模型，以加速生成过程。 |
| 浅层探针 | 在神经网络浅层插入的轻量级探测模块，用于监测特征变化以评估缓存风险。 |
| LPIPS | 学习感知图像块相似度，一种基于深度特征的感知度量，用于评估生成图像与真实图像的差异。 |
| FLUX.1-dev | 一种基于扩散Transformer的先进文本到图像生成模型。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅