論文の概要: EpaCache: Error-Propagation-Aware Caching for Accelerating Diffusion-Based Visual Generation

• arxiv url: http://arxiv.org/abs/2608.29264v1
• Date: Sat, 29 Aug 2026 13:38:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.905476
• Title: EpaCache: Error-Propagation-Aware Caching for Accelerating Diffusion-Based Visual Generation
• Title（参考訳）: EpaCache: 拡散ベースのビジュアル生成を高速化するためのエラー伝搬対応キャッシュ
• Abstract要約: キャッシングに基づく手法は、隣接する時間ステップで中間計算を再利用することで、推論遅延を低減する。 EpaCacheはトレーニング不要のキャッシュポリシーで、ダウンストリームの影響の少ないタイムステップで再利用予算を適応的に割り当てる。 EpaCacheは、既存のキャッシュメソッドに対するレイテンシーのトレードオフを一貫して改善する。
• 参考スコア（独自算出の注目度）: 30.438361624564553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion-based visual generative models deliver strong image and video synthesis quality but incur high inference costs because sequential samplers repeatedly evaluate large networks. Caching-based methods reduce inference latency by reusing intermediate computations across adjacent timesteps. However, existing cache controllers rely primarily on local temporal variation and overlook the trajectory-level consequences of cache reuse. We introduce Error-Propagation-Aware Cache (EpaCache), a training-free caching policy that adaptively allocates the reuse budget on timesteps with lower downstream impact. Experiments on image and video synthesis models demonstrate that EpaCache consistently improves the latency--fidelity trade-off over existing caching methods. On FLUX.1-dev, EpaCache outperforms the prior state-of-the-art caching method in both latency and fidelity, reducing inference time from $11.7$ s to $11.3$ s while improving PSNR from $21.4$ to $22.8$. On HunyuanVideo, EpaCache achieves a $2.63\times$ speedup over uncached inference and improves SSIM from $0.891$ to $0.905$ over the prior state-of-the-art method at matched latency.
• Abstract（参考訳）: 拡散に基づく視覚生成モデルでは、画像と映像の合成品質は高いが、シーケンシャルサンプリングが大規模ネットワークを何度も評価するため、高い推論コストがかかる。 キャッシングに基づく手法は、隣接する時間ステップで中間計算を再利用することで、推論遅延を低減する。 しかし、既存のキャッシュコントローラは、主に局所的な時間的変動に依存し、キャッシュ再利用の軌跡レベルの結果を見落としている。 EpaCache(Error-Propagation-Aware Cache)は、トレーニング不要なキャッシュポリシーで、ダウンストリームの影響の少ないタイムステップで再利用予算を適応的に割り当てる。 画像合成モデルとビデオ合成モデルの実験により、EpaCacheは既存のキャッシュメソッドに対するレイテンシー-忠実性のトレードオフを一貫して改善することを示した。 FLUX.1-devでは、EpaCacheは待ち時間と忠実度の両方で従来の最先端キャッシュ手法よりも優れており、推論時間を11.7ドルから11.3ドルに短縮し、PSNRを21.4ドルから22.8ドルに改善している。 HunyuanVideoでは、EpaCacheはキャッシュされていない推論よりも2.63\times$のスピードアップを実現し、マッチしたレイテンシで従来の最先端のメソッドよりも0.891$から0.905$にSSIMを改善している。

関連論文リスト

• ACID: Adaptive Caching for vIDeo generation [14.081444112966103]
  ビデオ拡散モデルは、高品質な世代を生成するが、シーケンシャルなデノナイジング手順のために推論が遅いままである。 キャッシングベースの加速度法は、中間モデル出力を再利用することでこの問題に対処する。 ACIDラッパーは、各メソッドの既存のドリフト信号の変化率を監視し、ローとハイしきい値の間で動的に切り替える。
  論文  参考訳（メタデータ） (2026-07-14T05:17:24Z)
• ReCache: Learning Budget-Aware Caching Schedules for Diffusion Models via REINFORCE [40.4732814295941]
  ReCacheは、生成品質を最大化する再計算スケジュールを学ぶ。 政策勾配を通し、完全な拡散推論を通じてバックペーストを横取りする。 スケジュールベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-06-04T11:59:56Z)
• Motion-Aware Caching for Efficient Autoregressive Video Generation [73.27762884730272]
  MotionCacheは、ピクセルレベルのモーション特性の軽量プロキシとして、フレーム間の差異を利用する。 SkyReels-V2やMAGI-1のような最先端モデルの実験では、MotionCacheが大幅なスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-05-03T05:49:27Z)
• 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)
• 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)
• MixCache: Mixture-of-Cache for Video Diffusion Transformer Acceleration [15.22288174114487]
  キャッシングは、DiTモデルで広く採用されている最適化手法である。 効率的なビデオDiT推論のためのトレーニング不要なキャッシュベースのフレームワークであるMixCacheを提案する。
  論文  参考訳（メタデータ） (2025-08-18T07:49:33Z)
• TaoCache: Structure-Maintained Video Generation Acceleration [4.594224594572109]
  ビデオ拡散モデルのためのトレーニング不要のプラグイン・アンド・プレイキャッシュ戦略であるTaoCacheを提案する。 モデルのノイズ出力を予測するために固定点視点を採用しており、特に遅延雑音発生の段階で有効である。
  論文  参考訳（メタデータ） (2025-08-12T14:40:36Z)
• Less is Enough: Training-Free Video Diffusion Acceleration via Runtime-Adaptive Caching [57.7533917467934]
  EasyCacheは、ビデオ拡散モデルのためのトレーニング不要のアクセラレーションフレームワークである。 我々は,OpenSora,Wan2.1,HunyuanVideoなどの大規模ビデオ生成モデルについて包括的な研究を行っている。 提案手法は,従来のベースラインと比較して推定時間を最大2.1-3.3$times$に短縮する。
  論文  参考訳（メタデータ） (2025-07-03T17:59:54Z)
• 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。