論文の概要: ReCache: Learning Budget-Aware Caching Schedules for Diffusion Models via REINFORCE

• arxiv url: http://arxiv.org/abs/2606.06060v1
• Date: Thu, 04 Jun 2026 11:59:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.770778
• Title: ReCache: Learning Budget-Aware Caching Schedules for Diffusion Models via REINFORCE
• Title（参考訳）: ReCache: ReINFORCEによる拡散モデルのための予算を考慮したキャッシュスケジュールの学習
• Authors: Mishan Aliev, Eva Neudachina, Ilya Bykov, Aleksandr Oganov, Kirill Struminsky, Aibek Alanov, Denis Rakitin,
• Abstract要約: ReCacheは、生成品質を最大化する再計算スケジュールを学ぶ。 政策勾配を通し、完全な拡散推論を通じてバックペーストを横取りする。 スケジュールベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 40.4732814295941
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern diffusion models generate high-quality images and videos, but their iterative denoising process makes inference expensive. Feature caching accelerates sampling by reusing or predicting intermediate activations across neighboring denoising steps, exploiting the redundancy of computations along the reverse trajectory. In this work, we focus on the caching schedule: selecting which denoising steps should be fully recomputed. Existing schedules are either fixed (e.g. uniform) or chosen adaptively from per-step error heuristics; in both cases, the actual compute cost is a side-effect of hand-tuned thresholds rather than a quantity the user can specify. We propose ReCache, which inverts this: given a target budget k, it learns the recomputation schedule that maximizes generation quality, turning compute into a directly controllable input. ReCache trains via policy gradients, sidestepping backpropagation through full diffusion inference, and uses no labelled data. Generations from uncached inference serve as matching targets, paired with a reward for generation quality. ReCache is compatible with any caching mechanism, including feature reuse and feature forecasting; for each mechanism, a single trained policy adapts across computational budgets at inference time. ReCache consistently outperforms scheduling baselines: under a $\times5.04$ FLOPs reduction on FLUX, it reduces LPIPS by 31% (from 0.456 to 0.316) compared to DiCache; on Wan 2.1 at a $\sim \times2.6$ speedup, it drops LPIPS by 65% (from 0.480 to 0.169) and boosts the VBench score by 7% (5.6 points, from 70.4 to 76.0) over uniform HiCache. Code is available at https://github.com/thecrazymage/ReCache.
• Abstract（参考訳）: 現代の拡散モデルは高品質な画像やビデオを生成するが、反復的なデノナイジングプロセスは推論を高価にする。 特徴キャッシングは、近隣の認知段階をまたいだ中間活性化を再利用または予測することでサンプリングを加速し、逆軌道に沿った計算の冗長性を活用する。 この作業では、キャッシュスケジュールに焦点を合わせ、どのデノイングステップをフルに再計算すべきかを選択します。 既存のスケジュールは固定(例えば均一)か、ステップ毎のエラーヒューリスティックから適応的に選択される。どちらの場合も、実際の計算コストは、ユーザが指定できる量ではなく、手作業による閾値の副作用である。 ターゲット予算kが与えられた場合、生成品質を最大化し、計算を直接制御可能な入力に変換する再計算スケジュールを学習する。 ReCacheはポリシー勾配によるトレーニング、完全な拡散推論によるサイドステッピングバックプロパゲーション、ラベル付きデータを使用しない。 キャッシュされていない推論からの生成は、一致したターゲットとして機能し、生成品質に対する報酬とペアリングする。 ReCacheは、機能再利用や機能予測を含む任意のキャッシングメカニズムと互換性がある。 ReCacheはスケジュールベースラインを一貫して上回っている:$\times5.04$ FLOPs FLUXでは、DiCacheと比較してLPIPSを31%(0.456から0.316)削減し、Wan 2.1では$\sim \times2.6$でLPIPSを65%(0.480から0.169)下げ、均一なHiCacheよりもVBenchスコアを7%(5.6ポイント、70.4から76.0)下げる。 コードはhttps://github.com/thecrazymage/ReCache.comで入手できる。

関連論文リスト

• WorldCache: Content-Aware Caching for Accelerated Video World Models [50.7543797435026]
  我々はPerception-Constrained Dynamic CaCacheフレームワークであるtextbfWorldCacheを紹介する。 WorldCacheは、機能をいつ、どのように再利用するかを改善します。 PAI-Benchで評価されたCosmos-2.5-2Bでは、WorldCacheはtextbf$2.3times$推論スピードアップを実現し、textbf99.4%のベースライン品質を維持している。
  論文  参考訳（メタデータ） (2026-03-23T17:59:54Z)
• 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)
• SenCache: Accelerating Diffusion Model Inference via Sensitivity-Aware Caching [75.02865981328509]
  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。
  論文  参考訳（メタデータ） (2026-02-27T17:36:09Z)
• Denoising as Path Planning: Training-Free Acceleration of Diffusion Models with DPCache [8.614492355393578]
  本研究では,グローバルパス計画問題として拡散加速を定式化する学習自由加速フレームワークDPCacheを提案する。 DPCacheは動的プログラミングを使用して、トラジェクティブの忠実さを維持しながら、全体のパスコストを最小限に抑える、キータイムステップの最適なシーケンスを選択する。 DiT、FLUX、HunyuanVideoの実験では、DPCacheは最小品質の損失で強力な加速を実現している。
  論文  参考訳（メタデータ） (2026-02-26T06:13:33Z)
• 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。