論文の概要: From Local Mismatch to Global Impact: Optimizing Cache Reuse Policy for Efficient Diffusion
- arxiv url: http://arxiv.org/abs/2608.13043v1
- Date: Thu, 13 Aug 2026 10:08:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.47236
- Title: From Local Mismatch to Global Impact: Optimizing Cache Reuse Policy for Efficient Diffusion
- Title（参考訳）: ローカルミスマッチからグローバルインパクトへ:効率的な拡散のためのキャッシュ再利用ポリシーの最適化
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 29.046432574690602
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Diffusion models have achieved dominant performance in visual generation but suffer from substantial inference overhead. While cache-based acceleration has emerged as a promising solution, existing policies rely on local similarity heuristics, which we identify as being significantly misaligned with final generation quality. This discrepancy stems from the non-uniform propagation and accumulation of errors along the denoising trajectory. To address this, we propose Global-Impact Cache (GCache). We first establish a rigorous theoretical characterization of the error propagation upper bound. Recognizing that this bound can be overly conservative for complex, highly non-convex diffusion models, we further reparameterize the propagation exponent with a Bernstein form and reformulate cache policy search as a bilevel optimization problem. In detail, GCache identifies an optimal reuse policy in the inner objective while aligning the error-weighting function with generation quality loss in the outer objective. This framework effectively reconciles theoretical rigor with empirical performance, learning to prioritize computation where it most impacts visual fidelity. Extensive experiments demonstrate that GCache consistently outperforms prior caching strategies on both video and image generation. Notably, on the state-of-the-art Wan2.1 video diffusion model, GCache maintains a 2.17x speedup while significantly enhancing generation quality, reducing LPIPS from 0.1095 to 0.0316.
- Abstract（参考訳）: 拡散モデルは視覚生成において支配的な性能を達成しているが、かなりの推測オーバーヘッドに悩まされている。
キャッシュベースの加速は有望な解決策として現れてきたが、既存のポリシーは局所的な類似性ヒューリスティックに依存しており、最終世代の品質と著しく一致していないと認識している。
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。
そこで我々はGlobal-Impact Cache (GCache)を提案する。
まず,誤差伝播上界の厳密な理論的特徴を定式化する。
この境界が複雑で非凸拡散モデルに対して過度に保守的であることを認識し、さらにベルンシュタイン形式で伝播指数をパラメータ化し、キャッシュポリシー探索を二段階最適化問題として再構成する。
詳しくは、GCacheは、エラー重み付け関数と生成品質損失とを一致させながら、内部目的において最適な再利用ポリシーを識別する。
このフレームワークは、理論的厳密さと経験的性能を効果的に調整し、最も視覚的忠実性に影響を与える計算を優先することを学ぶ。
大規模な実験では、GCacheはビデオ生成と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。
特に、最先端のWan2.1ビデオ拡散モデルでは、GCacheは2.17倍のスピードアップを維持しながら、生成品質を大幅に向上し、LPIPSを0.1095から0.0316に削減している。
関連論文リスト
- OnlineCache: Learning Dynamic Caching Policies with Error Correction for Efficient Diffusion Inference [21.088549125949548]
拡散モデルは生成的タスクに革命をもたらしたが、反復的妄想による遅延の増大を招いた。
OnlineCacheは動的キャッシュフレームワークで、いつキャッシュするか、どのように近似エラーを修正するのかを共同で学習する。
提案手法は,サンプルとタイムステップの両方で自動的に計算資源を割り当て,全体の生成品質を向上する。
論文 参考訳（メタデータ） (2026-07-31T13:17:05Z) - 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) - Flow caching for autoregressive video generation [72.10021661412364]
自動回帰ビデオ生成に特化して設計された,最初のキャッシュフレームワークであるFlowCacheを紹介する。
本手法は,MAGI-1では2.38倍,SkyReels-V2では6.7倍,品質劣化は無視できない。
論文 参考訳（メタデータ） (2026-02-11T13:11:04Z) - 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) - 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) - Model Reveals What to Cache: Profiling-Based Feature Reuse for Video Diffusion Models [41.11005178050448]
ProfilingDiTは、フォアグラウンドとバックグラウンドに焦点を当てたブロックを明示的にアンタングルする、新しいアダプティブキャッシュ戦略である。
当社のフレームワークは,総合的な品質指標間の視覚的忠実度を維持しながら,大幅な加速を実現している。
論文 参考訳（メタデータ） (2025-04-04T03:30:15Z) - FEB-Cache: Frequency-Guided Exposure Bias Reduction for Enhancing Diffusion Transformer Caching [10.760030872557374]
Diffusion Transformer (DiT) は優れた生成機能を備えているが、計算複雑性が高いため大きな課題に直面している。
本稿では,キャッシュが露出バイアスを大幅に増幅し,生成品質が低下することを確認する。
我々は,非露出バイアス拡散プロセスと整合した共同キャッシュ戦略であるFEBキャッシュを導入する。
論文 参考訳（メタデータ） (2025-03-10T09:49:18Z) - FasterCache: Training-Free Video Diffusion Model Acceleration with High Quality [58.80996741843102]
FasterCacheは、高品質な生成を伴うビデオ拡散モデルの推論を高速化するために設計された、トレーニング不要の戦略である。
我々は、FasterCacheがビデオの質をベースラインと同等に保ちながら、ビデオ生成を著しく加速できることを示した。
論文 参考訳（メタデータ） (2024-10-25T07:24:38Z) - 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。