論文の概要: Hybrid-Basis Feature Forecasting for Diffusion Sampling Acceleration
- arxiv url: http://arxiv.org/abs/2610.05254v1
- Date: Sun, 04 Oct 2026 14:29:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 22:15:48.688791
- Title: Hybrid-Basis Feature Forecasting for Diffusion Sampling Acceleration
- Title（参考訳）: 拡散サンプリング高速化のためのハイブリッド・バシス特徴予測
- Abstract要約: Hybrid-Basis Feature Forecasting (HybridFF)は、拡散サンプリングを高速化するトレーニングフリーのプラグアンドプレイフレームワークである。
本稿では,DiT-XL/2,FLUX.1-dev,SD3.5-Large,HunyuanVideoの2つの評価方法を提案する。
- 参考スコア（独自算出の注目度）: 7.530137811988118
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose Hybrid-Basis Feature Forecasting (HybridFF), a training-free, plug-and-play framework for accelerating diffusion sampling. To capture local smoothness, long-range trends, and complex non-monotonic variations when modeling feature evolution, HybridFF first estimates coefficients using moving least squares (MLS) for each of multiple complementary basis families and then combines the corresponding predictors using fusion weights. In addition to the choice of basis functions, the fusion weights also play a critical role. We introduce two strategies to balance quality and speedup. HybridFF (Fixed) prioritizes efficiency with model-specific fusion weights calibrated on a small set and held constant during inference. HybridFF (Adaptive) updates the fusion weights online using branch reliability scores computed from an exponential moving average of full-step prediction errors, improving prediction fidelity and generation quality under aggressive caching while retaining substantial acceleration. Experiments across DiT-XL/2, FLUX.1-dev, SD3.5-Large, and HunyuanVideo demonstrate a favorable speedup--quality trade-off over representative single-basis forecasters and caching baselines.
- Abstract（参考訳）: 拡散サンプリングを高速化する訓練不要なプラグイン・アンド・プレイフレームワークであるHybridFF(HybridFF)を提案する。
特徴の進化をモデル化する際の局所的滑らかさ、長距離傾向、複雑な非単調変動を捉えるために、HybridFFはまず、複数の相補的基底族に対して移動最小二乗(MLS)を用いて係数を推定し、その後、融合重みを用いて対応する予測子を組み合わせる。
基底関数の選択に加えて、融合重みも重要な役割を果たす。
品質とスピードアップのバランスをとるための2つの戦略を導入します。
ハイブリッドFF(Fixed)は、モデル固有の融合重み付けを小さなセットで調整し、推論中に一定の値を保持することで効率を優先する。
HybridFF(Adaptive)は、フルステップ予測エラーの指数的な移動平均から算出した分岐信頼性スコアを使用して、オンラインで融合重みを更新する。
DiT-XL/2、FLUX.1-dev、SD3.5-Large、HunyuanVideoにわたる実験は、典型的な単一バス予測器とキャッシュベースラインよりも良好なスピードアップ品質のトレードオフを示している。
関連論文リスト
- Fenchel Tilting: Weighted Correction for Efficient Finetuning of Generative Models [2.8402080392117757]
本稿では,Fenchel Tilt Flow Control (FTFC)を紹介した。
メソッドはユーティリティの変動構造とフェンシェル双対性を組み合わせることで、$f$-divergenceのペナルティをサポートする。
FTFCは様々な好み関数のベースラインを改良し、最大20ドルもする。
論文 参考訳（メタデータ） (2026-09-30T16:02:58Z) - FastMix: Fast Data Mixture Optimization via Gradient Descent [55.109758242985556]
Fastmixは、単一のプロキシモデルのみをトレーニングしながら、データミックスの検出を自動化する新しいフレームワークである。
混合比の最適化は、均一なソースサンプリングの下で、ソース当たりの損失重みを割り当てることと数学的に等価であることを示す。
FASTmixはベースラインを上回り、事前トレーニングや後トレーニングで検索コストを大幅に削減する。
論文 参考訳（メタデータ） (2026-06-12T21:46:57Z) - 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) - Approximating Heavy-Tailed Distributions with a Mixture of Bernstein Phase-Type and Hyperexponential Models [0.20854674413792754]
多くの現実世界の応用でよく見られる重い尾の分布は、その緩やかな尾の崩壊のために正確にモデル化することは困難である。
本稿では,BPHとHEの分布のハイブリッドモデルを提案する。
論文 参考訳（メタデータ） (2025-10-30T14:16:43Z) - HiCache: Training-free Acceleration of Diffusion Models via Hermite Polynomial-based Feature Caching [19.107716099809707]
HiCacheは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、機能予測を改善する。
本稿では,予測精度を保ちながら数値安定性を確保する二重スケーリング機構を提案する。
論文 参考訳（メタデータ） (2025-08-23T10:35:16Z) - Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
Eucidated Rolling Diffusion Models (ERDM)を紹介する。
ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである
2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2025-06-24T21:44:31Z) - SPIRE: Conditional Personalization for Federated Diffusion Generative Models [7.8583640700306585]
Shared Backbone Personal Identity Representation Embeddings (SPIRE)は、FLで条件付き生成としてクライアント拡散ベースの生成をキャストするフレームワークである。
SPIREは、ネットワークを(i)人口レベルのスコア関数を学習する高容量なグローバルバックボーンと、(ii)ローカルデータ統計を符号化する軽量で学習可能なクライアント埋め込みに分解する。
我々の分析は、クライアントの埋め込みが共有スコアネットワークをパーソナライズするバイアスとしてどのように振舞うかを示唆している。
論文 参考訳（メタデータ） (2025-06-14T01:40:31Z) - Mixture of Physical Priors Adapter for Parameter-Efficient Fine-Tuning [41.19870454097444]
本稿では,ネットワークの重み付けを物理的に組み合わせてモデル化する手法を提案する。
熱拡散、波動伝播、ポアソンの定常方程式の3つの基礎方程式がそれぞれ固有のモデリング特性に寄与する。
MoPPAはPEFTの精度を最大2.1%向上させる。
論文 参考訳（メタデータ） (2024-12-03T19:00:34Z) - Efficient Mixture Learning in Black-Box Variational Inference [50.21722672770176]
我々は,Multiple Importance Smpling Variational Autoencoder (MISVAE)を紹介する。
BBVI中の混合物に対するELBOの新しい2つの推定器を構築し,推定時間を大幅に短縮する。
MNIST上でMISVAE実験を行い, 驚くべきSOTA結果を得た。
論文 参考訳（メタデータ） (2024-06-11T09:16:43Z) - Generative Fractional Diffusion Models [53.36835573822926]
我々は,その基礎となる力学に分数拡散過程を利用する,最初の連続時間スコアベース生成モデルを導入する。
実画像データを用いた評価では,GFDMはFIDが低い値で示されるように,画素幅の多様性と画質の向上を実現している。
論文 参考訳（メタデータ） (2023-10-26T17:53:24Z) - Hybrid Federated Learning: Algorithms and Implementation [61.0640216394349]
Federated Learning(FL)は、分散データセットとプライベートデータセットを扱う分散機械学習パラダイムである。
ハイブリッドFLのためのモデルマッチングに基づく新しい問題定式化を提案する。
次に,グローバルモデルとローカルモデルを協調して学習し,完全かつ部分的な特徴量を扱う効率的なアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-12-22T23:56:03Z)
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。