論文の概要: OTCache: Optimal Transport for Geometry-Aware Caching in Diffusion Models
- arxiv url: http://arxiv.org/abs/2606.31026v1
- Date: Tue, 30 Jun 2026 01:46:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.038409
- Title: OTCache: Optimal Transport for Geometry-Aware Caching in Diffusion Models
- Title（参考訳）: OTCache:拡散モデルにおける幾何学的キャッシングのための最適輸送
- Abstract要約: OTCacheは、キャッシュスケジュール予測による拡散サンプリングを加速するためのトレーニング不要のフレームワークである。
OTCacheは、最先端のキャッシュベースラインよりも、生成の忠実度を一貫して改善することを示す。
- 参考スコア（独自算出の注目度）: 11.053622780931306
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose OTCache, a training-free framework for accelerating diffusion sampling via caching schedule prediction. Existing graph-based caching methods reduce redundant computation by optimizing shortest-path objectives, but rely on an additive independence assumption, which often breaks down in the low NFE regime. To address this issue, OTCache models caching schedules across inference budgets as a smooth evolution in policy space, inspired by Optimal Transport (OT). The framework consists of three stages: (1) obtaining a high-fidelity \textbf{reference schedule} using a graph-based caching method under a conservative budget; (2) performing a lightweight anchor search under an extreme low-budget setting via Optuna optimization with an end-to-end perceptual objective; and (3) predicting schedules for target budgets via quantile interpolation between the reference and anchor policies using continuous warping representations. Experiments on FLUX.1 [dev], Qwen-Image, and HunyuanVideo show that OTCache achieves 4.5x, 4.7x, and 3.66x acceleration, respectively, while consistently improving generation fidelity over state-of-the-art caching baselines. This work provides a new perspective on accelerating diffusion models through Optimal-Transport-inspired schedule modeling. Code:https://github.com/UnicomAI/OTCache
- Abstract（参考訳）: 本稿では,キャッシュスケジュール予測による拡散サンプリングを高速化するトレーニングフリーフレームワークOTCacheを提案する。
既存のグラフベースのキャッシュ手法は、最短パスの目的を最適化することで冗長な計算を減らしますが、追加的な独立性の仮定に依存します。
この問題に対処するため、OTCacheは、最適化トランスポート(OT)にインスパイアされたポリシー空間のスムーズな進化として、推論予算全体のスケジュールをキャッシュする。
本フレームワークは,(1)グラフベースのキャッシング手法を用いて高忠実度な「textbf{reference schedule}」を保守的予算下で取得すること,(2)オプトゥーナ最適化による極低予算環境下での軽量アンカーサーチをエンドツーエンドの知覚目標で行うこと,(3)参照とアンカーポリシー間の量子補間による目標予算のスケジュールを予測すること,の3段階からなる。
FLUX.1[dev]、Qwen-Image、HunyuanVideoの実験では、OTCacheはそれぞれ4.5倍、4.7倍、および3.66倍の加速を達成した。
この研究は、Optimal-Transportにインスパイアされたスケジュールモデリングを通じて拡散モデルを加速する新しい視点を提供する。
コード:https://github.com/UnicomAI/OTCache
関連論文リスト
- From Local Mismatch to Global Impact: Optimizing Cache Reuse Policy for Efficient Diffusion [29.046432574690602]
キャッシュベースのアクセラレーションが有望なソリューションとして登場したが、ローカルの類似性に関する既存のポリシーは、最終世代の品質と不一致である。
この違いは、一様でない伝播と、騒音の軌跡に沿った誤差の蓄積に由来する。
この問題に対処するため,Global Cache Cache (GCache)を提案する。
GCacheは、ビデオおよび画像生成の両方において、事前キャッシュ戦略を一貫して上回っている。
論文 参考訳（メタデータ） (2026-08-13T10:08:47Z) - ReCache: Learning Budget-Aware Caching Schedules for Diffusion Models via REINFORCE [40.4732814295941]
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。
論文 参考訳（メタデータ） (2026-06-04T11:59:56Z) - 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) - 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) - MeanCache: From Instantaneous to Average Velocity for Accelerating Flow Matching Inference [11.934900617930774]
MeanCacheは、効率的なフローマッチング推論のためのトレーニング不要のキャッシュフレームワークである。
我々は,MeanCacheがそれぞれ4.12X,4.56X,3.59Xのアクセラレーションを達成したことを実証した。
論文 参考訳（メタデータ） (2026-01-27T08:35:50Z) - 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) - 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) - 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。