論文の概要: SenCache: Accelerating Diffusion Model Inference via Sensitivity-Aware Caching

• arxiv url: http://arxiv.org/abs/2602.24208v1
• Date: Fri, 27 Feb 2026 17:36:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-02 19:48:24.538443
• Title: SenCache: Accelerating Diffusion Model Inference via Sensitivity-Aware Caching
• Title（参考訳）: SenCache: 感度認識キャッシングによる拡散モデル推論の高速化
• Authors: Yasaman Haghighi, Alexandre Alahi,
• Abstract要約: キャッシュは、以前計算されたモデル出力をタイムステップで再利用することで計算を減らす。 本稿では,動的キャッシュポリシーであるSensitivity-Aware Caching(SenCache)を提案する。 SenCacheは、同様の計算予算の下で、既存のキャッシュメソッドよりも視覚的品質が向上する。
• 参考スコア（独自算出の注目度）: 75.02865981328509
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models achieve state-of-the-art video generation quality, but their inference remains expensive due to the large number of sequential denoising steps. This has motivated a growing line of research on accelerating diffusion inference. Among training-free acceleration methods, caching reduces computation by reusing previously computed model outputs across timesteps. Existing caching methods rely on heuristic criteria to choose cache/reuse timesteps and require extensive tuning. We address this limitation with a principled sensitivity-aware caching framework. Specifically, we formalize the caching error through an analysis of the model output sensitivity to perturbations in the denoising inputs, i.e., the noisy latent and the timestep, and show that this sensitivity is a key predictor of caching error. Based on this analysis, we propose Sensitivity-Aware Caching (SenCache), a dynamic caching policy that adaptively selects caching timesteps on a per-sample basis. Our framework provides a theoretical basis for adaptive caching, explains why prior empirical heuristics can be partially effective, and extends them to a dynamic, sample-specific approach. Experiments on Wan 2.1, CogVideoX, and LTX-Video show that SenCache achieves better visual quality than existing caching methods under similar computational budgets.
• Abstract（参考訳）: 拡散モデルは最先端のビデオ生成の品質を達成するが、連続的なデノジングステップが多数あるため、推論は高価である。 このことは拡散推論の加速に関する研究の進展を動機付けている。 トレーニング不要の加速度法の中で、キャッシュは時間ステップで計算済みのモデル出力を再利用することで計算を減らします。 既存のキャッシュメソッドは、キャッシュ/再利用のタイムステップを選択するためのヒューリスティックな基準に依存しており、広範囲なチューニングを必要とする。 この制限を、原則化された感度対応キャッシュフレームワークで解決する。 具体的には,デノイング入力の摂動に対するモデル出力感度の分析を通じて,キャッシングエラーを形式化し,この感度がキャッシングエラーの鍵となる予測因子であることを示す。 この分析に基づいて,動的キャッシュポリシーであるSensitivity-Aware Caching (SenCache)を提案する。 我々のフレームワークは適応キャッシングの理論的基盤を提供し、先行経験的ヒューリスティックスが部分的に有効である理由を説明し、それらを動的でサンプル固有のアプローチに拡張する。 Wan 2.1、CagVideoX、LTX-Videoの実験では、SenCacheは類似の計算予算下で既存のキャッシュ方式よりも視覚的品質が向上している。

関連論文リスト

• PreciseCache: Precise Feature Caching for Efficient and High-fidelity Video Generation [35.47114707080758]
  高い計算コストと遅い推論は、ビデオ生成モデルの実践的応用を妨げる。 我々は,真に冗長な計算を正確に検出し,スキップするプラグイン・アンド・プレイ・フレームワークである textbfPreciseCache を提案する。
  論文  参考訳（メタデータ） (2026-03-01T08:08:49Z)
• 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)
• MixCache: Mixture-of-Cache for Video Diffusion Transformer Acceleration [15.22288174114487]
  キャッシングは、DiTモデルで広く採用されている最適化手法である。 効率的なビデオDiT推論のためのトレーニング不要なキャッシュベースのフレームワークであるMixCacheを提案する。
  論文  参考訳（メタデータ） (2025-08-18T07:49:33Z)
• PromptTea: Let Prompts Tell TeaCache the Optimal Threshold [1.0665410339553834]
  一般的な加速戦略は、一定の間隔でキャッシング機構を介してモデル出力を再利用することである。 本稿では,入力プロンプトから直接推定されるシーンの複雑さに基づいて,再利用しきい値を自動的に調整する手法であるPrompt-Complexity-Aware(PCA)キャッシングを提案する。
  論文  参考訳（メタデータ） (2025-07-09T10:53:05Z)
• Less is Enough: Training-Free Video Diffusion Acceleration via Runtime-Adaptive Caching [57.7533917467934]
  EasyCacheは、ビデオ拡散モデルのためのトレーニング不要のアクセラレーションフレームワークである。 我々は,OpenSora,Wan2.1,HunyuanVideoなどの大規模ビデオ生成モデルについて包括的な研究を行っている。 提案手法は,従来のベースラインと比較して推定時間を最大2.1-3.3$times$に短縮する。
  論文  参考訳（メタデータ） (2025-07-03T17:59:54Z)
• 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)
• 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)
• 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。