論文の概要: ResilPhase: Plug-and-Play Phase Mapping and Noise-Resilient Macro-Trajectory Extrapolation for Diffusion Acceleration
- arxiv url: http://arxiv.org/abs/2606.26769v1
- Date: Thu, 25 Jun 2026 08:54:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.221103
- Title: ResilPhase: Plug-and-Play Phase Mapping and Noise-Resilient Macro-Trajectory Extrapolation for Diffusion Acceleration
- Title（参考訳）: ResilPhase:拡散加速のためのプラグアンドプレイ位相マッピングと耐雑音性マクロ軌道外挿法
- Abstract要約: 導関数の不安定性と近似誤差をバイパスする導関数のないバリ中心ラグランジュ外挿器を導入する。
FLUX.1-devとHunyuanVideoの実験は、アグレッシブ加速比下での最先端の忠実さを実証している。
- 参考スコア（独自算出の注目度）: 10.972902209477844
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The adoption of powerful diffusion models is hindered by their significant inference latency. Recent ``cache-then-forecast'' schemes alleviate this issue by accelerating DiTs using derivative-based polynomials, but they suffer from severe quality degradation at high acceleration ratios. Our analysis reveals its root cause: the discrete extrapolation performed on representations that are misaligned with the continuous diffusion trajectory and are numerically unstable. Thus, accelerated DiTs suffer from accumulated spatial errors, noisy derivative amplification, and high-order instability. We therefore reformulate accelerated inference as stable macro-trajectory extrapolation in ordinary differential equation (ODE) space. Instead of predicting intermediate features, we align forecasting with the model's Global Drift (GD), i.e., the end-to-end state evolution, thereby eliminating feature inconsistency and memory overhead. However, even this smooth macro-trajectory remains vulnerable to the derivative fallacy: its higher-order temporal derivatives are intrinsically noisy. Thus, we introduce a derivative-free barycentric Lagrange extrapolator to effectively bypass derivative instability and approximation error. We further propose a bounded Phase Mapping that regularizes the extrapolation domain, suppressing oscillatory error growth. These elements collectively constitute ResilPhase, a noise-resilient acceleration framework. Experiments on FLUX.1-dev and HunyuanVideo demonstrate state-of-the-art fidelity under aggressive acceleration ratios.
- Abstract（参考訳）: 強力な拡散モデルの採用は、その大きな推論遅延によって妨げられている。
最近の 'cache-then-forecast' スキームは微分多項式を用いて DiT を加速することでこの問題を軽減するが、高い加速比での厳しい品質劣化に悩まされる。
連続拡散軌道と一致せず,数値的に不安定な表現に対して離散的な補間を行う。
このように、加速されたDiTは、蓄積した空間誤差、ノイズ微分増幅、高次不安定に悩まされる。
したがって、通常の微分方程式(ODE)空間において、加速推論を安定なマクロ軌道外挿として再構成する。
中間的な特徴を予測する代わりに、予測はモデルのGD(Global Drift)、すなわちエンドツーエンドの状態進化と整合し、特徴の不整合性とメモリオーバーヘッドを排除します。
しかし、この滑らかなマクロ軌道でさえ導関数の誤りに弱いままであり、その高次時間微分は本質的にノイズである。
そこで,微分不安定性と近似誤差を効果的に回避するために,導関数のないバリ中心ラグランジュ外挿器を導入する。
さらに、外挿領域を正規化し、振動誤差の増大を抑制する有界位相写像を提案する。
これらの要素は、ノイズ耐性のアクセラレーションフレームワークであるResilPhaseを構成する。
FLUX.1-devとHunyuanVideoの実験は、アグレッシブ加速比下での最先端の忠実さを実証している。
関連論文リスト
- Flux-form spatiotemporal neural operators for coarse-grained dynamics of multiscale PDEs [6.160113667162026]
マルチスケールPDEシステムにおける粗粒度力学のデータ駆動予測について検討する。
閉包のない演算子学習の視点を応用し、線形粗粒度マップを適用し、解決されたフィールドに対する代理進化演算子を学習する。
本研究では, 粗粒バーガー方程式, 倉本-シヴァシンスキー方程式, 二次元乱流について検証した。
論文 参考訳（メタデータ） (2026-08-11T00:55:16Z) - BRACE: Taming Sharp Irregularities via Barycentric Rational Forecasting for Fast Diffusion Transformers Inference [7.024073219145713]
拡散変換器(DiT)は高忠実度画像とビデオ生成において例外的な性能を示した。
計算オーバーヘッドを大幅に軽減するため、冗長な計算をバイパスするために時間的特徴キャッシングが提案されている。
本稿では,このボトルネックに対処するため,Barycentric Forecasting with Chebyshev Enhancement (BRACE)を提案する。
論文 参考訳（メタデータ） (2026-08-04T11:24:53Z) - Local Truncation Error-Guided Neural ODEs for Large Scale Traffic Forecasting [26.116856080963966]
局所トラニケーション誤差誘導型ニューラルネットワーク(LTE-ODE)
本アーキテクチャは安定領域における高精度連続ODE進化を良好に保存する。
LTE-ODEは、複数の大規模ベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-05-05T05:46:00Z) - IDLM: Inverse-distilled Diffusion Language Models [70.5793829229702]
Inverse Distillation(逆蒸留)は、もともと連続拡散モデルを加速するために開発された技法で、離散的な設定に拡張する。
理論的観点からは、逆蒸留の目的には一意性保証が欠如しており、これは準最適解に繋がる可能性がある。
Inverse-distilled Diffusion Language Models (IDLM) は推論ステップ数を4x-64x削減する。
論文 参考訳（メタデータ） (2026-02-22T06:47:04Z) - Parallel Complex Diffusion for Scalable Time Series Generation [50.01609741902786]
PaCoDiは周波数領域における生成モデリングを分離するスペクトルネイティブアーキテクチャである。
本研究では,PaCoDiが生成品質と推論速度の両方において,既存のベースラインを上回っていることを示す。
論文 参考訳（メタデータ） (2026-02-10T14:31:53Z) - On the Provable Suboptimality of Momentum SGD in Nonstationary Stochastic Optimization [0.0]
各種段差系における均一な凸性および滑らか性の下でのグラディエントDescentの追跡性能を解析した。
本研究では,ドリフトによる追従誤差を大幅に増幅し,追従能力に明らかなペナルティを与えることを示す。
これらの結果は、動的環境における運動量の経験的不安定性に対する決定的な理論的根拠を与える。
論文 参考訳（メタデータ） (2026-01-18T03:27:21Z) - On Exact Editing of Flow-Based Diffusion Models [97.0633397035926]
本研究では,フローベース編集を既知ソースによって駆動される分散変換問題として再構成する条件付き速度補正(CVC)を提案する。
CVCは、双対パースペクティブな速度変換機構を導入することにより、分配間変換における速度の役割を再考する。
我々は,CVCが優れた忠実度,セマンティックアライメント,多種多様なタスクに対する信頼性の高い編集動作を一貫して達成していることを示す。
論文 参考訳（メタデータ） (2025-12-30T06:29:20Z) - TAG:Tangential Amplifying Guidance for Hallucination-Resistant Diffusion Sampling [53.61290359948953]
タンジェンシャル増幅誘導(TAG)は、下層の拡散モデルを変更することなく、軌道信号のみで動作する。
この誘導過程を1次テイラー展開を利用して定式化する。
TAGは、最小限の計算加算で拡散サンプリング忠実度を改善する、プラグアンドプレイのアーキテクチャに依存しないモジュールである。
論文 参考訳（メタデータ） (2025-10-06T06:53:29Z) - Fast Diffusion Model [122.36693015093041]
拡散モデル(DM)は、複雑なデータ分布を捉える能力を持つ様々な分野に採用されている。
本稿では,DM最適化の観点から,高速拡散モデル (FDM) を提案する。
論文 参考訳（メタデータ） (2023-06-12T09:38:04Z) - The Limiting Dynamics of SGD: Modified Loss, Phase Space Oscillations,
and Anomalous Diffusion [29.489737359897312]
勾配降下法(SGD)を訓練した深部ニューラルネットワークの限界ダイナミクスについて検討する。
これらのダイナミクスを駆動する重要な要素は、本来のトレーニング損失ではなく、位相空間の振動を引き起こす速度と確率電流を暗黙的に規則化する修正損失の組み合わせであることを示す。
論文 参考訳（メタデータ） (2021-07-19T20:18:57Z) - Hessian-Free High-Resolution Nesterov Acceleration for Sampling [55.498092486970364]
最適化のためのNesterovのAccelerated Gradient(NAG)は、有限のステップサイズを使用する場合の連続時間制限(ノイズなしの運動的ランゲヴィン)よりも優れたパフォーマンスを持つ。
本研究は, この現象のサンプリング法について検討し, 離散化により加速勾配に基づくMCMC法が得られる拡散過程を提案する。
論文 参考訳（メタデータ） (2020-06-16T15:07:37Z)
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。