論文の概要: LESA: Learnable Stage-Aware Predictors for Diffusion Model Acceleration

• arxiv url: http://arxiv.org/abs/2602.20497v1
• Date: Tue, 24 Feb 2026 02:53:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-25 17:34:53.584952
• Title: LESA: Learnable Stage-Aware Predictors for Diffusion Model Acceleration
• Title（参考訳）: LESA:拡散モデル加速のための学習可能な段階認識予測器
• Authors: Peiliang Cai, Jiacheng Liu, Haowen Xu, Xinyu Wang, Chang Zou, Linfeng Zhang,
• Abstract要約: 拡散モデルは画像およびビデオ生成タスクにおいて顕著な成功を収めた。 しかし、拡散変換器の高い計算要求は、実際の展開に重大な課題をもたらす。 2段階トレーニングに基づくLESA(LEarnable Stage-Aware)予測フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 12.183601881545039
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models have achieved remarkable success in image and video generation tasks. However, the high computational demands of Diffusion Transformers (DiTs) pose a significant challenge to their practical deployment. While feature caching is a promising acceleration strategy, existing methods based on simple reusing or training-free forecasting struggle to adapt to the complex, stage-dependent dynamics of the diffusion process, often resulting in quality degradation and failing to maintain consistency with the standard denoising process. To address this, we propose a LEarnable Stage-Aware (LESA) predictor framework based on two-stage training. Our approach leverages a Kolmogorov-Arnold Network (KAN) to accurately learn temporal feature mappings from data. We further introduce a multi-stage, multi-expert architecture that assigns specialized predictors to different noise-level stages, enabling more precise and robust feature forecasting. Extensive experiments show our method achieves significant acceleration while maintaining high-fidelity generation. Experiments demonstrate 5.00x acceleration on FLUX.1-dev with minimal quality degradation (1.0% drop), 6.25x speedup on Qwen-Image with a 20.2% quality improvement over the previous SOTA (TaylorSeer), and 5.00x acceleration on HunyuanVideo with a 24.7% PSNR improvement over TaylorSeer. State-of-the-art performance on both text-to-image and text-to-video synthesis validates the effectiveness and generalization capability of our training-based framework across different models. Our code is included in the supplementary materials and will be released on GitHub.
• Abstract（参考訳）: 拡散モデルは画像およびビデオ生成タスクにおいて顕著な成功を収めた。 しかし、Diffusion Transformers (DiTs) の高計算要求は、その実践的な展開に重大な課題をもたらす。 機能キャッシングは有望な加速戦略である一方で、拡散プロセスの複雑なステージ依存のダイナミックスに適応するために、単純な再利用やトレーニングなし予測に基づく既存の手法は、しばしば品質劣化を引き起こし、標準的な認知プロセスとの整合性の維持に失敗する。 そこで本研究では,2段階学習に基づくLESA(LEarnable Stage-Aware)予測フレームワークを提案する。 我々のアプローチは、KAN(Kolmogorov-Arnold Network)を利用して、データから時間的特徴マッピングを正確に学習する。 さらに,様々なノイズレベルステージに特殊予測器を割り当てるマルチステージ・マルチエキスパートアーキテクチャを導入し,より正確でロバストな特徴予測を実現する。 本手法は高忠実度生成を維持しながら, 高い加速を達成できることを示す。 FLUX.1-devでは5.00倍、Qwen-Imageでは6.25倍、以前のSOTA(TaylorSeer)では20.2%、HunyuanVideoでは5.00倍、TaylorSeerでは24.7%である。 テキスト・ツー・イメージとテキスト・ツー・ビデオ合成の両面での最先端性能は、異なるモデルにわたるトレーニング・ベース・フレームワークの有効性と一般化能力を検証する。 私たちのコードは補足資料に含まれており、GitHubでリリースされます。

関連論文リスト

• GPD: Guided Progressive Distillation for Fast and High-Quality Video Generation [48.965157828225074]
  高速かつ高品質なビデオ生成のための拡散過程を高速化するフレームワークであるGPD(Guid Progressive Distillation)を提案する。 GPDは、VBench上での競争的な視覚的品質を維持しながら、サンプリングステップを48から6に減らす。
  論文  参考訳（メタデータ） (2026-02-02T08:47:33Z)
• Single-step Diffusion-based Video Coding with Semantic-Temporal Guidance [24.88807532823577]
  本稿では,S2VCを提案する。S2VCは,条件付き符号化フレームワークと効率的な単一ステップ拡散生成器を統合した,単一ステップ拡散に基づくビデオコーデックである。 S2VCは、従来の知覚法よりも平均52.73%の省力で、最先端の知覚品質を提供する。
  論文  参考訳（メタデータ） (2025-12-08T12:05:30Z)
• Self Forcing: Bridging the Train-Test Gap in Autoregressive Video Diffusion [67.94300151774085]
  本稿では,自己回帰ビデオ拡散モデルのための新しい訓練パラダイムであるSelf Forcingを紹介する。 露光バイアスの長年の問題に対処し、地道的な文脈で訓練されたモデルは、自身の不完全な出力で条件付けられたシーケンスを生成する必要がある。
  論文  参考訳（メタデータ） (2025-06-09T17:59:55Z)
• One-Step Diffusion Model for Image Motion-Deblurring [85.76149042561507]
  本稿では,脱臭過程を1段階に短縮する新しいフレームワークである脱臭拡散モデル(OSDD)を提案する。 拡散モデルにおける忠実度損失に対処するために,構造復元を改善する改良された変分オートエンコーダ(eVAE)を導入する。 提案手法は,実測値と非参照値の両方で高い性能を達成する。
  論文  参考訳（メタデータ） (2025-03-09T09:39:57Z)
• Rethinking Video Tokenization: A Conditioned Diffusion-based Approach [58.164354605550194]
  新しいトークン化ツールであるDiffusion Conditioned-based Gene Tokenizerは、GANベースのデコーダを条件付き拡散モデルで置き換える。 再建に基本的MSE拡散損失とKL項,LPIPSを併用した訓練を行った。 CDTのスケールダウン版(3$times inference speedup)でさえ、トップベースラインと互換性がある。
  論文  参考訳（メタデータ） (2025-03-05T17:59:19Z)
• Investigating Tradeoffs in Real-World Video Super-Resolution [90.81396836308085]
  実世界のビデオ超解像(VSR)モデルは、一般化性を改善するために様々な劣化で訓練されることが多い。 最初のトレードオフを軽減するために,性能を犠牲にすることなく,最大40%のトレーニング時間を削減できる劣化手法を提案する。 そこで本研究では,多種多様な実世界の低品質映像系列を含むビデオLQデータセットを提案する。
  論文  参考訳（メタデータ） (2021-11-24T18:58:21Z)

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。