論文の概要: DriveCache: Action-Aware Caching for Driving World Model Inference

• arxiv url: http://arxiv.org/abs/2608.16354v1
• Date: Mon, 17 Aug 2026 10:04:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.630267
• Title: DriveCache: Action-Aware Caching for Driving World Model Inference
• Title（参考訳）: DriveCache: 世界モデル推論を駆動するためのアクション対応キャッシュ
• Abstract要約: 拡散ベースの駆動ジェネレータは、デノナイジングステップ全体にわたって大きなバックボーンを評価し、生成スループットを制限します。 既存の拡散加速法では、このコストを削減できるが、汎用設計では、エゴ速度や計画軌道など、発生前に利用可能な駆動信号は省略される。 トレーニング不要でアクション対応のコントローラであるDriveCacheを提案する。このコントローラは,シーン間での再利用や動的プログラミングの割り当てに,調整された応答予算の下でのデノナイズステップの配置に使用する。
• 参考スコア（独自算出の注目度）: 61.07117287683939
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driving video generation models support autonomous-driving development by predicting controllable future scenes for simulation, planning evaluation, and offline data generation. Diffusion-based driving generators repeatedly evaluate large backbones across denoising steps, which limits generation throughput. Existing diffusion acceleration methods reduce this cost, but general-purpose designs omit driving signals available before generation, such as ego speed and planned trajectories. Experiments across driving motions show that cache tolerance varies with ego translation and rotation, denoising progress, and consecutive reuse length. We propose DriveCache, a training-free, action-aware controller that uses planned motion to allocate reuse across scenes and dynamic programming to place it across denoising steps under a calibrated response budget. A causal drift check refreshes features and replans the remaining schedule when generation departs from calibration. Across three generator configurations, DriveCache improves the overall fidelity-efficiency trade-off over evaluated cache methods. Our code will be publicly available.
• Abstract（参考訳）: ドライビングビデオ生成モデルは、シミュレーション、計画評価、オフラインデータ生成のための制御可能な将来のシーンを予測することによって、自動運転開発をサポートする。 拡散に基づく駆動ジェネレータは、生成スループットを制限するデノナイジングステップにわたって、大きなバックボーンを繰り返し評価する。 既存の拡散加速法では、このコストを削減できるが、汎用設計では、エゴ速度や計画軌道など、発生前に利用可能な駆動信号は省略される。 駆動動作による実験により、キャッシュ耐性はエゴ翻訳や回転、デノイング進行、連続的な再利用期間によって変化することが示された。 トレーニング不要でアクション対応のコントローラであるDriveCacheを提案する。このコントローラは,シーン間での再利用や動的プログラミングの割り当てに,調整された応答予算の下でのデノナイズステップの配置に使用する。 因果ドリフトチェックは特徴をリフレッシュし、生成がキャリブレーションから離れたときに残りのスケジュールを計画する。 3つのジェネレータ構成で、DriveCacheは評価されたキャッシュメソッドに対する全体的な忠実度と効率のトレードオフを改善する。 私たちのコードは公開されます。

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)
• Muninn: Your Trajectory Diffusion Model But Faster [4.221836692945716]
  拡散に基づく軌道プランナーは、リッチでマルチモーダルなロボットの動きを合成できるが、反復的なデノベーションは、オンラインの計画と制御を違法に遅くする。 本研究では,モデルの再学習や軌道品質の犠牲を伴わずに,ロボットのリアルタイム使用に十分な速度で拡散型軌道プランナを構築するという課題に対処する。 Muninnは、タスクのパフォーマンスと安全性の指標を保ちながら、デノイザの評価を減らし、複数の軌道拡散モデルで最大4.6倍のウォールタイムのスピードアップを提供する。
  論文  参考訳（メタデータ） (2026-05-11T05:21:52Z)
• X-Cache: Cross-Chunk Block Caching for Few-Step Autoregressive World Models Inference [37.22440439525785]
  X-Cacheはトレーニング不要なアクセラレーション手法で、連続的な生成チャンクにまたがってキャッシュする。 Xキャッシュは最小の劣化を保ちながら2.6倍のウォールクロックスピードアップで71%のブロックスキップ速度を達成する。
  論文  参考訳（メタデータ） (2026-04-22T07:36:59Z)
• 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)
• Adaptive Time Step Flow Matching for Autonomous Driving Motion Planning [8.384289409828678]
  一般的なアプローチは、さまざまな現実世界のシナリオをまたいで一般化することを目的とした、専門家駆動データセットに対する大規模な模倣学習である。 オンライントラジェクトリ生成では、そのような手法をリアルタイムに動作させなければならない。 本研究では,周辺エージェントの将来の動きを協調的に予測し,エゴ軌道をリアルタイムで計画する条件付きフローマッチングに基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-10T20:57:01Z)
• Lightning Fast Caching-based Parallel Denoising Prediction for Accelerating Talking Head Generation [50.04968365065964]
  拡散に基づく音声ヘッドモデルは高品質でフォトリアリスティックなビデオを生成するが、推論が遅い。 我々はLightning-fast Caching-based Parallel Denoising Prediction (LightningCP)を紹介する。 また,より高速な注意計算を実現するために,DFA(Decoupled Foreground Attention)を提案する。
  論文  参考訳（メタデータ） (2025-08-25T02:58:39Z)
• Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
  我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。 既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。 我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-12-11T06:35:18Z)

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。