論文の概要: AViTS: Adaptive Spatiotemporal Token Selection for Efficient Dynamic-Resolution Generation
- arxiv url: http://arxiv.org/abs/2608.17995v1
- Date: Tue, 18 Aug 2026 16:42:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-19 21:40:53.408105
- Title: AViTS: Adaptive Spatiotemporal Token Selection for Efficient Dynamic-Resolution Generation
- Title（参考訳）: AViTS: 効率的な動的解法生成のための適応時空間トークン選択
- Abstract要約: 動的分解能 DiT のための時間的トークン選択フレームワーク
ATSは、遅延テキスト注意による意味的重要性と、拡散時間ステップ間のトークンレベルの特徴変化による時間的重要性をモデル化する。
- 参考スコア（独自算出の注目度）: 10.734099999989127
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion Transformers (DiTs) achieve high-quality generation but are costly due to iterative sampling. Dynamic-resolution sampling reduces early-stage cost by denoising at low resolution; however, uniformly upsampling all latent tokens at resolution transitions incurs redundant computation and may degrade fine-detail consistency. Existing partial upsampling strategies typically rely on local latent structure cues or single-step statistics, making it difficult to jointly capture token-text semantic relevance and token-wise representation dynamics across diffusion steps. We propose AViTS, an adaptive spatiotemporal token selection framework for dynamic-resolution DiTs. AViTS models spatial importance via latent-text attention and temporal importance via token-level feature variation across diffusion timesteps, and fuses them to enable spatiotemporal importance-aware selective upsampling: it prioritizes resolution refinement for critical tokens while deferring less important ones, thereby reducing redundant high-resolution computation and improving the quality-efficiency trade-off. AViTS achieves up to 6.34x on FLUX and nearly 9x FLOPs reduction on Qwen-Image-Edit and FLUX.1-Kontext-dev, orthogonal to distillation, quantization, and feature caching, and reaching 14.76x with distilled models. Code: https://github.com/QHR69/AViTS
- Abstract（参考訳）: 拡散変換器(DiT)は高品質な生成を実現するが、反復サンプリングによりコストがかかる。
動的分解能サンプリングは、低分解能でノイズを発生させることで早期コストを低減させるが、解像度遷移時に全ての潜伏トークンを均一にアップサンプリングすることで冗長な計算を発生させ、細部整合性を低下させる可能性がある。
既存の部分的なアップサンプリング戦略は、通常、局所的な潜在構造的キュー(英語版)やシングルステップ統計(英語版)に依存しており、トークン・テキスト・セマンティックな関連性や、拡散ステップ全体にわたるトークン・ワイド・表現のダイナミクスを共同で捉えることは困難である。
動的分解能 DiT のための適応時空間トークン選択フレームワーク AViTS を提案する。
AViTSは、遅延テキストによる注意と、拡散タイムステップ間のトークンレベルの特徴変化による時間的重要性をモデル化し、時空間的重要性を考慮した選択的なアップサンプリングを可能にする。
AViTSはFLUXで最大6.34倍、Qwen-Image-EditとFLUX.1-Kontext-devで約9倍のFLOPを実現し、蒸留、量子化、特徴キャッシングに直交し、蒸留されたモデルで14.76倍に達する。
コード:https://github.com/QHR69/AViTS
関連論文リスト
- TRaM-VSR: Importance-Aware Token Routing and Merging for One-Step Diffusion Video Super-Resolution [52.96050253456634]
TRaM-VSRは、コンテキスト対応のビデオプリエントとネットワークレベルを用いた適応トークンアロケーションのためのフレームワークである。
その結果、TRaM-VSRは、最先端の復元品質と頑健な時間的整合性を維持しつつ、推論を著しく加速することがわかった。
論文 参考訳（メタデータ） (2026-07-24T11:57:26Z) - Multi-Resolution Flow Matching: Training-Free Diffusion Acceleration via Staged Sampling [47.2466059857263]
MrFlowは、事前訓練されたフローマッチングモデルのためのトレーニング不要なマルチレゾリューション・アクセラレーション戦略である。
低分解能サンプリングの2次トークン削減とステップ要求の低減を利用して10倍のエンドツーエンド加速を実現する。
論文 参考訳（メタデータ） (2026-07-02T03:14:57Z) - Where to Refine, When to Stop: Rethinking Redundancy via Latent Discrepancy for Efficient Visual Autoregressive Generation [50.139984798361375]
遅延不一致による冗長性を除去する学習自由フレームワークを提案する。
LD-Pruningは、Infinity-8Bの最大2.35倍のスピードアップを実現し、高い生成品質を維持しながら推論を大幅に削減する。
論文 参考訳（メタデータ） (2026-05-29T19:34:39Z) - SpecEdit: Training-Free Acceleration for Diffusion based Image Editing via Semantic Locking [12.078069478646057]
SpecEditは、拡散ベースの画像編集に適したトレーニング不要の動的解像度フレームワークである。
Qwen-Image-EditとFLUX.1-Kontext-devの実験では、強い品質を維持しながら、最大10倍と7倍の加速を示す。
論文 参考訳（メタデータ） (2026-05-04T02:30:24Z) - DA-PTQ: Drift-Aware Post-Training Quantization for Efficient Vision-Language-Action Models [61.26694413585136]
DA-PTQ (Drift-Aware Post-Training Quantization) は、逐次決定過程に対するドリフト-アウェア最適化問題として量子化を定式化する。
DA-PTQはキネマティックドリフトを著しく低減し、低ビット設定下での完全精度モデルに匹敵する性能を達成する。
論文 参考訳（メタデータ） (2026-04-13T14:51:43Z) - From Sketch to Fresco: Efficient Diffusion Transformer with Progressive Resolution [11.05647700476321]
拡散変換器は優れた生成品質を達成するが、反復サンプリングのため高価である。
textbfFrescoは,プログレッシブアップサンプリングを用いて,ステージ間におけるリノイズとグローバル構造を統一する動的解像度フレームワークである。
論文 参考訳（メタデータ） (2026-01-12T12:15:30Z) - Frequency-Aware Autoregressive Modeling for Efficient High-Resolution Image Synthesis [40.93077975823353]
視覚的自己回帰モデリングは、次のスケールの予測パラダイムに基づいており、画像の品質とモデルのスケーラビリティにおいて顕著な優位性を示している。
しかし、高解像度の段階での計算オーバーヘッドは、相当数のトークンが関与しているため、依然として重要な課題である。
Sparsevarは、次世代の予測のためのプラグイン・アンド・プレイ・アクセラレーション・フレームワークで、追加のトレーニングを必要とせず、推論中に低周波トークンを動的に排除する。
論文 参考訳（メタデータ） (2025-07-28T01:13:24Z) - VRVVC: Variable-Rate NeRF-Based Volumetric Video Compression [59.14355576912495]
NeRFベースのビデオは、FVV(Photorealistic Free-Viewpoint Video)体験を提供することによって、ビジュアルメディアに革命をもたらした。
大量のデータボリュームは、ストレージと送信に重大な課題をもたらす。
ビデオ圧縮のための新しいエンドツーエンドの可変レートフレームワークであるVRVVCを提案する。
論文 参考訳（メタデータ） (2024-12-16T01:28:04Z) - PassionSR: Post-Training Quantization with Adaptive Scale in One-Step Diffusion based Image Super-Resolution [95.98801201266099]
拡散に基づく画像超解像(SR)モデルでは、複数のデノナイジングステップのコストで優れた性能を示す。
本稿では,一段階拡散(OSD)画像SR,PassionSRにおける適応スケールの学習後量子化手法を提案する。
我々のPassionSRは、画像SRの最近の先進的な低ビット量子化法に対して大きな利点がある。
論文 参考訳（メタデータ） (2024-11-26T04:49:42Z) - Temporal Feature Matters: A Framework for Diffusion Model Quantization [105.3033493564844]
拡散モデルはマルチラウンド・デノナイジングの時間ステップに依存している。
3つの戦略を含む新しい量子化フレームワークを導入する。
このフレームワークは時間情報のほとんどを保存し、高品質なエンドツーエンド生成を保証する。
論文 参考訳（メタデータ） (2024-07-28T17:46:15Z) - Latent Autoregressive Source Separation [5.871054749661012]
本稿では,ベクトル量子化遅延自己回帰音源分離(入力信号を構成源にデミックスする)を導入する。
分離法は, 自己回帰モデルが先行するベイズ式に依拠し, 付加トークンの潜在和に対して離散的(非パラメトリック)確率関数を構築した。
論文 参考訳（メタデータ） (2023-01-09T17:32:00Z)
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。