論文の概要: SeaCache: Spectral-Evolution-Aware Cache for Accelerating Diffusion Models

• arxiv url: http://arxiv.org/abs/2602.18993v1
• Date: Sun, 22 Feb 2026 00:48:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-24 17:42:02.433349
• Title: SeaCache: Spectral-Evolution-Aware Cache for Accelerating Diffusion Models
• Title（参考訳）: SeaCache: 拡散モデルを高速化するためのスペクトル進化対応キャッシュ
• Authors: Jiwoo Chung, Sangeek Hyun, MinKyu Lee, Byeongju Han, Geonho Cha, Dongyoon Wee, Youngjun Hong, Jae-Pil Heo,
• Abstract要約: スペクトル整合表現における決定を再利用するトレーニング不要キャッシュスケジュールであるSpectral-Evolution-Aware Cache(SeaCache)を紹介した。 理論的および経験的分析を通じて、雑音を抑えながらコンテンツ関連成分を保存するスペクトル・進化・認識フィルタを導出する。 多様なビジュアル生成モデルとベースラインの実験は、SeaCacheが最先端のレイテンシ品質のトレードオフを達成することを示している。
• 参考スコア（独自算出の注目度）: 41.7269767513774
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Diffusion models are a strong backbone for visual generation, but their inherently sequential denoising process leads to slow inference. Previous methods accelerate sampling by caching and reusing intermediate outputs based on feature distances between adjacent timesteps. However, existing caching strategies typically rely on raw feature differences that entangle content and noise. This design overlooks spectral evolution, where low-frequency structure appears early and high-frequency detail is refined later. We introduce Spectral-Evolution-Aware Cache (SeaCache), a training-free cache schedule that bases reuse decisions on a spectrally aligned representation. Through theoretical and empirical analysis, we derive a Spectral-Evolution-Aware (SEA) filter that preserves content-relevant components while suppressing noise. Employing SEA-filtered input features to estimate redundancy leads to dynamic schedules that adapt to content while respecting the spectral priors underlying the diffusion model. Extensive experiments on diverse visual generative models and the baselines show that SeaCache achieves state-of-the-art latency-quality trade-offs.
• Abstract（参考訳）: 拡散モデルは視覚生成の強力なバックボーンであるが、その本質的にシーケンシャルな認知過程は推論を遅くする。 従来の手法では、隣接した時間ステップ間の特徴距離に基づいて、中間出力のキャッシュと再利用によってサンプリングを加速する。 しかし、既存のキャッシュ戦略は、通常、コンテンツとノイズを絡ませる生のフィーチャの違いに依存します。 この設計は、低周波構造が早期に出現し、高周波の詳細が後に洗練されるスペクトル進化を見越す。 スペクトル整合表現に基づく再利用決定をベースとしたトレーニング不要キャッシュスケジュールであるSpectral-Evolution-Aware Cache(SeaCache)を紹介した。 理論的および経験的分析を通じて、雑音を抑えながらコンテンツ関連成分を保存するスペクトル進化認識フィルタ(SEA)を導出する。 冗長性を推定するためにSEAフィルタの入力機能を利用すると、拡散モデルに基づくスペクトルの先行性を尊重しながら、コンテンツに適応する動的なスケジュールが導かれる。 多様なビジュアル生成モデルとベースラインに関する大規模な実験は、SeaCacheが最先端のレイテンシ品質のトレードオフを達成することを示している。

関連論文リスト

• Forecast the Principal, Stabilize the Residual: Subspace-Aware Feature Caching for Efficient Diffusion Transformers [9.698781486878206]
  Diffusion Transformer (DiT) モデルは画像およびビデオ生成において前例のない品質を達成したが、反復サンプリングプロセスは計算的に禁止されている。 Singular Value Decomposition (SVD)を介して拡散機能を分解するサブスペース対応キャッシュフレームワークであるSVD-Cacheを提案する。 私たちのコードは補足的な素材で、Githubでリリースされます。
  論文  参考訳（メタデータ） (2026-01-12T10:30:12Z)
• 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)
• Model Reveals What to Cache: Profiling-Based Feature Reuse for Video Diffusion Models [41.11005178050448]
  ProfilingDiTは、フォアグラウンドとバックグラウンドに焦点を当てたブロックを明示的にアンタングルする、新しいアダプティブキャッシュ戦略である。 当社のフレームワークは,総合的な品質指標間の視覚的忠実度を維持しながら,大幅な加速を実現している。
  論文  参考訳（メタデータ） (2025-04-04T03:30:15Z)
• FEB-Cache: Frequency-Guided Exposure Bias Reduction for Enhancing Diffusion Transformer Caching [10.760030872557374]
  Diffusion Transformer (DiT) は優れた生成機能を備えているが、計算複雑性が高いため大きな課題に直面している。 本稿では,キャッシュが露出バイアスを大幅に増幅し,生成品質が低下することを確認する。 我々は,非露出バイアス拡散プロセスと整合した共同キャッシュ戦略であるFEBキャッシュを導入する。
  論文  参考訳（メタデータ） (2025-03-10T09:49:18Z)
• Timestep Embedding Tells: It's Time to Cache for Video Diffusion Model [55.64316746098431]
  Timestep Embedding Aware Cache (TeaCache)は、タイムステップ間のモデルアウトプットの変動を推定し、活用する、トレーニング不要なキャッシュアプローチである。 TeaCacheはOpen-Sora-Plan上で最大4.41倍の高速化を実現している。
  論文  参考訳（メタデータ） (2024-11-28T12:50:05Z)
• DeepCache: Accelerating Diffusion Models for Free [65.02607075556742]
  DeepCacheは、モデルアーキテクチャの観点から拡散モデルを加速するトレーニング不要のパラダイムである。 DeepCacheは拡散モデルのシーケンシャルなデノナイジングステップで観測される時間的冗長性に乗じている。 同じスループットで、DeepCacheはDDIMやPLMSで、事実上同等または極端に改善された結果を達成する。
  論文  参考訳（メタデータ） (2023-12-01T17:01:06Z)

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。