論文の概要: MeanCache: From Instantaneous to Average Velocity for Accelerating Flow Matching Inference

• arxiv url: http://arxiv.org/abs/2601.19961v1
• Date: Tue, 27 Jan 2026 08:35:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.611893
• Title: MeanCache: From Instantaneous to Average Velocity for Accelerating Flow Matching Inference
• Title（参考訳）: MeanCache: フローマッチング推論の高速化のための瞬時から平均速度
• Authors: Huanlin Gao, Ping Chen, Fuyuan Shi, Ruijia Wu, Li YanTao, Qiang Hui, Yuren You, Ting Lu, Chao Tan, Shaoan Zhao, Zhaoxiang Liu, Fang Zhao, Kai Wang, Shiguo Lian,
• Abstract要約: MeanCacheは、効率的なフローマッチング推論のためのトレーニング不要のキャッシュフレームワークである。 我々は,MeanCacheがそれぞれ4.12X,4.56X,3.59Xのアクセラレーションを達成したことを実証した。
• 参考スコア（独自算出の注目度）: 11.934900617930774
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present MeanCache, a training-free caching framework for efficient Flow Matching inference. Existing caching methods reduce redundant computation but typically rely on instantaneous velocity information (e.g., feature caching), which often leads to severe trajectory deviations and error accumulation under high acceleration ratios. MeanCache introduces an average-velocity perspective: by leveraging cached Jacobian--vector products (JVP) to construct interval average velocities from instantaneous velocities, it effectively mitigates local error accumulation. To further improve cache timing and JVP reuse stability, we develop a trajectory-stability scheduling strategy as a practical tool, employing a Peak-Suppressed Shortest Path under budget constraints to determine the schedule. Experiments on FLUX.1, Qwen-Image, and HunyuanVideo demonstrate that MeanCache achieves 4.12X and 4.56X and 3.59X acceleration, respectively, while consistently outperforming state-of-the-art caching baselines in generation quality. We believe this simple yet effective approach provides a new perspective for Flow Matching inference and will inspire further exploration of stability-driven acceleration in commercial-scale generative models.
• Abstract（参考訳）: 効率的なフローマッチング推論のためのトレーニング不要なキャッシュフレームワークであるMeanCacheを紹介した。 既存のキャッシング手法は冗長な計算を減らしているが、典型的には即時速度情報(例えば特徴キャッシング)に依存しており、しばしば高い加速度比の下で重度の軌道偏差や誤差蓄積を引き起こす。 MeanCacheは、平均速度の観点を導入している。キャッシュされたJacobian-vector製品(JVP)を活用して、瞬時速度から間隔平均速度を構築することにより、局所的なエラーの蓄積を効果的に軽減する。 キャッシュタイミングとJVP再利用の安定性をさらに向上するため,予算制約下でのピーク抑制ショートベストパスを用いて,軌道安定スケジューリング戦略を実用的なツールとして開発し,スケジュールを決定する。 FLUX.1、Qwen-Image、HunyuanVideoの実験では、MeanCacheはそれぞれ4.12Xと4.56Xと3.59Xの加速を達成した。 この単純で効果的なアプローチは、フローマッチング推論の新しい視点を与え、商業規模の生成モデルにおける安定性駆動加速度のさらなる探求を促すだろうと考えている。

関連論文リスト

• ProCache: Constraint-Aware Feature Caching with Selective Computation for Diffusion Transformer Acceleration [14.306565517230775]
  Diffusion Transformer (DiTs) は、生成モデリングにおいて最先端のパフォーマンスを達成したが、その高い計算コストは、リアルタイムデプロイメントを妨げている。 既存の手法では,(1) 均一なキャッシング間隔がDiTの非一様時間ダイナミクスと一致しないこと,(2) 過大なキャッシング間隔によるナイーブな機能再利用が重大なエラーの蓄積につながること,の2つの重要な制限が課されている。 ProCacheはトレーニング不要な動的機能キャッシュフレームワークで、2つのコアコンポーネントを介してこれらの問題に対処する。
  論文  参考訳（メタデータ） (2025-12-19T07:27:19Z)
• LightCache: Memory-Efficient, Training-Free Acceleration for Video Generation [40.968338980157846]
  拡散モデルに基づくビデオ生成の先進的な研究領域として、トレーニングフリー加速が出現している。 本稿では,推論過程を符号化・復号化・復号化段階に分解する。 本稿では,メモリ消費を減らすためのステージ固有の戦略を提案する。
  論文  参考訳（メタデータ） (2025-10-06T20:54:44Z)
• ERTACache: Error Rectification and Timesteps Adjustment for Efficient Diffusion [30.897215456167753]
  拡散モデルは、本質的に反復的推論プロセスのため、かなりの計算オーバーヘッドに悩まされる。 我々は、両方のエラータイプを共同で修正する原則的なキャッシュフレームワークであるERTACacheを提案する。 ERTACacheは最大2倍の推論スピードアップを実現します。
  論文  参考訳（メタデータ） (2025-08-27T10:37:24Z)
• DiCache: Let Diffusion Model Determine Its Own Cache [62.954717254728166]
  DiCacheは、実行時に拡散モデルを加速するためのトレーニング不要のアダプティブキャッシュ戦略である。 Online Probe Profiling Schemeは浅層オンラインプローブを利用して,キャッシュエラーのオンザフライインジケータをリアルタイムで取得する。 Dynamic Cache Trajectory Alignmentは、マルチステップの履歴キャッシュから出力されるディープ層の特徴を近似する。
  論文  参考訳（メタデータ） (2025-08-24T13:30:00Z)
• MagCache: Fast Video Generation with Magnitude-Aware Cache [91.2771453279713]
  我々は、様々なモデルとプロンプトで観察される統一等級法則という、新しく頑健な発見を導入する。 我々は、エラーモデリング機構と適応キャッシュ戦略を用いて、重要でないタイムステップを適応的にスキップするMagnitude-aware Cache(MagCache)を導入する。 実験の結果、MagCacheはOpen-Sora、CogVideoX、Wan 2.1、HunyuanVideoで2.10x-2.68倍のスピードアップを達成した。
  論文  参考訳（メタデータ） (2025-06-10T17:59:02Z)
• CacheQuant: Comprehensively Accelerated Diffusion Models [3.78219736760145]
  CacheQuantは、モデルキャッシングと量子化の技術を共同で最適化することで、拡散モデルを包括的に高速化する、新しいトレーニング不要のパラダイムである。 実験の結果、CacheQuantはMS-COCO上の安定拡散のために5.18のスピードアップと4の圧縮を実現しており、CLIPスコアは0.02しか失われていない。
  論文  参考訳（メタデータ） (2025-03-03T09:04:51Z)
• FasterCache: Training-Free Video Diffusion Model Acceleration with High Quality [58.80996741843102]
  FasterCacheは、高品質な生成を伴うビデオ拡散モデルの推論を高速化するために設計された、トレーニング不要の戦略である。 我々は、FasterCacheがビデオの質をベースラインと同等に保ちながら、ビデオ生成を著しく加速できることを示した。
  論文  参考訳（メタデータ） (2024-10-25T07:24:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。