論文の概要: Disagree to Accelerate: Closing the Loop on Diffusion Feature Forecasts

• arxiv url: http://arxiv.org/abs/2608.01740v1
• Date: Mon, 03 Aug 2026 06:08:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.346409
• Title: Disagree to Accelerate: Closing the Loop on Diffusion Feature Forecasts
• Title（参考訳）: Disagree to Accelerate: Diffusion Feature Forecastsでループを閉じる
• Abstract要約: トレーニング不要な特徴予測は、スキップステップにおける特徴予測によって拡散サンプリングを加速する。 キャッシュ自体から信頼性が観察可能であることを示す。 トレーニング不要な2つの応答を持つクローズドループコントローラであるRACERを紹介する。
• 参考スコア（独自算出の注目度）: 18.247977457930556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training-free feature forecasting accelerates diffusion sampling by predicting features at skipped denoising steps. Recent work has mainly focused on designing stronger forecasters. Yet forecast error varies sharply across steps, and open-loop caches trust the forecast in full at every skipped step. This fixed trust is what breaks as acceleration turns aggressive. The missing question is not only how to forecast better, but when and how much to trust a forecast. We show that reliability can be observed from the cache itself. Two forecasts agree where the feature trajectory is smooth, and they diverge where prediction turns hard. Their disagreement is a cheap runtime signal, and it costs no extra denoiser evaluation. Based on this signal, we introduce RACER, a training-free closed-loop controller with two responses. It continuously shrinks uncertain forecasts toward the last computed feature. At the riskiest steps, RACER refreshes the feature and repays the added evaluation by skipping a later scheduled one. We derive a deterministic error bound for the shrinkage and empirically evaluate its validity and tightness across acceleration regimes. At the same number of denoiser evaluations, RACER improves the strongest open-loop baseline across SD3.5-Large, FLUX.1-dev, Wan2.1-14B, and HunyuanVideo on DrawBench, VBench, and COCO. On SD3.5, we further show that RACER samples faster at equal quality. RACER generalizes across forecasting designs as well. For example, it recovers much of the quality lost on a Taylor base. These results show that reliable diffusion acceleration also depends on how forecasts are used. Code is available at https://github.com/LiZaiyuan0619/RACER
• Abstract（参考訳）: 学習不要な特徴予測は、スキップデノナイジングステップにおける特徴予測によって拡散サンプリングを加速する。 最近の研究は主により強力な予測器の設計に重点を置いている。 しかし、予測エラーはステップによって大きく異なり、オープンループキャッシュはスキップされたステップ毎に完全に予測を信頼する。 この固定された信頼は、加速が攻撃的になるにつれて壊れるものです。 欠けている疑問は、どのように予測を改善するかだけでなく、いつ、どのくらい予測を信頼するかである。 キャッシュ自体から信頼性が観察可能であることを示す。 2つの予測は、特徴軌跡が滑らかな場所と一致し、予測が困難になる場所が分岐する。 彼らの不一致は、安価なランタイム信号であり、余分なデノイザー評価を伴わない。 この信号に基づいて、2つの応答を持つトレーニング不要閉ループコントローラであるRACERを導入する。 最後の計算された特徴に対する不確実な予測を継続的に縮小する。 最も危険なステップでは、RACERは機能をリフレッシュし、後続のスケジュールをスキップすることで追加評価を返済する。 我々は,収縮に対する決定論的誤差を導出し,加速系におけるその妥当性と厳密性を実証的に評価する。 同じ数のデノイザー評価で、RACERはSD3.5-Large、FLUX.1-dev、Wan2.1-14B、HunyuanVideo on DrawBench、VBench、COCOをまたいだ最強のオープンループベースラインを改善している。 さらにSD3.5では、RACERサンプルが同等の品質で高速であることを示す。 RACERは予測設計についても一般化している。 例えば、Taylorベースで失われた品質を回復する。 これらの結果から, 精度の高い拡散加速は, 予測方法にも依存することがわかった。 コードはhttps://github.com/LiZaiyuan0619/RACERで入手できる。

関連論文リスト

• Sample-Adaptive Latent Rewards for Uncertainty-Guided Diffusion Post-Training [51.18425726646089]
  我々は、画像とビデオの拡散モデルのための統合潜在空間フレームワークであるtextscSUREを提案する。 報酬分布を学習し、信頼性を直接利用して、密集したポストトレーニングをガイドする。 textscSURE-REFLは評価手法の中で最も高いVBench品質、セマンティック、総得点を達成する。
  論文  参考訳（メタデータ） (2026-08-06T14:55:42Z)
• 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)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• Forecasting When to Forecast: Accelerating Diffusion Models with Confidence-Gated Taylor [10.102021461975244]
  拡散変換器(DiT)は視覚生成タスクにおいて顕著な性能を示した。 最近のトレーニングなしのアプローチでは、推論を加速するために過去の表現をキャッシュしたり再利用したりすることで、タイムステップにまたがる機能の冗長性を悪用している。 TaylorSeerはキャッシュ機能を使用して、Taylor拡張を通じて将来の機能を予測する。 そこで我々はTaylorベースの加速度をよりよく活用するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-08-04T09:39:31Z)
• Improving Prediction Certainty Estimation for Reliable Early Exiting via Null Space Projection [16.838728310658105]
  本稿では,Certainty-Aware Probability (CAP)スコアに基づく新しい早期退避手法を提案する。 本研究では,各タスクの平均高速化率は2.19倍であり,性能劣化は無視できることを示す。
  論文  参考訳（メタデータ） (2025-06-08T05:08:34Z)
• CoDiCast: Conditional Diffusion Model for Global Weather Prediction with Uncertainty Quantification [23.605859261510407]
  従来のアンサンブルの数値天気予報は計算集約的である。 既存の機械学習ベースの天気予報アプローチは効率的で正確である。 正確なグローバル気象予測を生成する条件拡散モデルであるCoDiCastを提案する。
  論文  参考訳（メタデータ） (2024-09-09T18:18:47Z)
• Short-term wind speed forecasting model based on an attention-gated recurrent neural network and error correction strategy [0.0]
  この論文は、改良されたゲートリカレントニューラルネットワーク(AtGRU)による注意点に基づく1つの短期風速予測パターンを提起する。 提案したSSA-AtGRU-VMD-GRUモデルは、ウッドバーン、セントトーマス、サンタクルーズの3つのケーススタディにおいて比較モデルより優れている。
  論文  参考訳（メタデータ） (2024-04-17T14:27:45Z)
• Scaling transformer neural networks for skillful and reliable medium-range weather forecasting [23.249955524044392]
  本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。 Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。 ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
  論文  参考訳（メタデータ） (2023-12-06T19:46:06Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing Uncertainty [125.41260574344933]
  エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。 全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
  論文  参考訳（メタデータ） (2023-05-26T04:27:48Z)
• ZigZag: Universal Sampling-free Uncertainty Estimation Through Two-Step Inference [54.17205151960878]
  汎用的でデプロイが容易なサンプリング不要のアプローチを導入します。 我々は,最先端手法と同等の信頼性のある不確実性推定を,計算コストを著しく低減した形で生成する。
  論文  参考訳（メタデータ） (2022-11-21T13:23:09Z)
• Learning to Predict Trustworthiness with Steep Slope Loss [69.40817968905495]
  本研究では,現実の大規模データセットにおける信頼性の予測問題について検討する。 我々は、先行技術損失関数で訓練された信頼性予測器が、正しい予測と誤った予測の両方を信頼に値するものとみなす傾向があることを観察する。 そこで我々は,2つのスライド状の曲線による不正確な予測から,特徴w.r.t.正しい予測を分離する,新たな急勾配損失を提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:19:09Z)

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。