論文の概要: FeatFix: Reuse What You Verify through Local Exact-Feature Correction for Faster Cached Diffusion Inference

• arxiv url: http://arxiv.org/abs/2607.27842v1
• Date: Thu, 30 Jul 2026 08:23:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.452493
• Title: FeatFix: Reuse What You Verify through Local Exact-Feature Correction for Faster Cached Diffusion Inference
• Title（参考訳）: FeatFix: より高速なキャッチ拡散推論のための局所的排他的補正による検証の再利用
• Abstract要約: 拡散モデルは高品質の画像やビデオを生成するために広く利用されている。 キャッシュ拡散推論のための局所的精度補正法FeatFixを紹介する。 実験の結果、FeatFixは連続的に生成を加速し、バニラ上空で最大6.70タイムのスピードアップを達成した。
• 参考スコア（独自算出の注目度）: 10.45417197978482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diffusion models are widely used to generate high-quality images and videos, but their iterative denoising process remains computationally intensive. A growing class of training-free accelerators reduces this cost by reusing cached intermediate features or forecasting future ones. To control draft drift, these methods sometimes compute an exact block feature for verification. Yet the resulting exact feature is typically used only to measure discrepancy or guide a later decision and is then discarded. We find that this previously computed feature can instead be reused for correction. Forwarding it at the verification site resets the local draft residual and reduces downstream feature error. Based on this observation, we introduce FeatFix, a local exact-feature correction method for cached diffusion inference. FeatFix operates at a fixed sparse set of layer--timestep sites. At each selected site, it replaces the complete draft block output with the exact output computed from the same incoming state, avoiding token- or channel-level partial replacement and full-timestep recomputation. Experiments across four image and video backbones show that FeatFix consistently accelerates generation, achieving a speedup of up to $6.70\times$ over Vanilla while maintaining competitive output quality.
• Abstract（参考訳）: 拡散モデルは高品質な画像やビデオを生成するために広く利用されているが、その反復的復調過程は計算集約的なままである。 トレーニングフリーアクセラレータのクラスは、キャッシュされた中間機能を再使用したり、将来的な機能を予測することで、このコストを削減します。 ドラフトドリフトを制御するために、これらの手法は検証のための正確なブロック特徴を計算することがある。 しかし、結果として得られる正確な機能は、通常、不一致を測定したり、後の決定を導いたりするためにのみ使用され、その後破棄される。 この前もって計算された機能は、修正のために再利用できることがわかりました。 検証サイトで転送すると、ローカルドラフトの残余がリセットされ、下流の機能エラーが減少する。 この観測に基づいて,キャッシュ拡散推論のための局所的精度補正法FeatFixを紹介する。 FeatFixは、タイムステップサイトの固定されたスパースセットで動作する。 選択された各サイトでは、完全なドラフトブロック出力を同じ入力状態から計算された正確な出力に置き換え、トークンレベルまたはチャネルレベルの部分的な置換とフルタイムステップの再計算を避ける。 4つの画像とビデオのバックボーンでの実験では、FeatFixは連続的に生成を加速し、バニラよりも最大6.70\times$のスピードアップを実現し、競争力のある出力品質を維持している。

関連論文リスト

• NaviCache: Test-Time Self-Calibration Caching for Video Generation [82.90113757454375]
  NaviCacheはビデオ拡散モデルのためのテスト時間自己校正手法である。 基本的な領域ギャップと非定常的な拡散の性質を橋渡しする。 理論上は、誤差バウンド・スキップのメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-06-25T09:28:12Z)
• Accelerating Diffusion-based Video Editing via Heterogeneous Caching: Beyond Full Computing at Sampled Denoising Timestep [37.62908191585867]
  HetCacheは、ビデオ・ツー・ビデオ(MV2V)の生成と編集のためのトレーニング不要な拡散加速フレームワークである。 編集の一貫性と忠実さを維持しながら、冗長な注意操作を低減する。 実験によると、HetCacheは2.67$times$レイテンシのスピードアップやFLOPの削減など、目立った加速を実現している。
  論文  参考訳（メタデータ） (2026-03-25T12:53:31Z)
• 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)
• Adaptive Spectral Feature Forecasting for Diffusion Sampling Acceleration [58.19554276924402]
  スペクトル拡散特徴予測器(Spectrum)を提案する。 我々はFLUX.1で4.79$times$スピードアップ、Wan2.1-14Bで4.67$times$スピードアップを達成する。
  論文  参考訳（メタデータ） (2026-03-02T08:59:11Z)
• 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)
• AdaCorrection: Adaptive Offset Cache Correction for Accurate Diffusion Transformers [37.38708392928324]
  Transformer Diffusion (TDis) は高忠実さと画像生成において最先端を実現するが、反復的デノイングにより高価な推論に苦しむ。 AdaCorrectionは適応的なオフセットキャッシュ補正フレームワークで、高ジェネレーションの忠実さを維持しつつ、拡散推論中にキャッシュ層間の効率的な再利用を可能にする。 提案手法は計算オーバーヘッドを最小限に抑えながら高い生成品質を実現し, ほぼオリジナルに近いFIDを維持しながら, 適度な加速を実現している。
  論文  参考訳（メタデータ） (2026-02-13T08:11:54Z)
• ERTACache: Error Rectification and Timesteps Adjustment for Efficient Diffusion [30.897215456167753]
  拡散モデルは、本質的に反復的推論プロセスのため、かなりの計算オーバーヘッドに悩まされる。 我々は、両方のエラータイプを共同で修正する原則的なキャッシュフレームワークであるERTACacheを提案する。 ERTACacheは最大2倍の推論スピードアップを実現します。
  論文  参考訳（メタデータ） (2025-08-27T10:37:24Z)
• Sortblock: Similarity-Aware Feature Reuse for Diffusion Model [9.749736545966694]
  Diffusion Transformer (DiTs) は顕著な生成能を示した。 DiTのシーケンシャルな denoising プロセスは、高い推論遅延をもたらす。 トレーニング不要な推論アクセラレーションフレームワークであるSoltblockを提案する。
  論文  参考訳（メタデータ） (2025-08-01T08:10:54Z)
• 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)

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。