Fugu-MT 論文翻訳(概要): MORCA: Offline-to-Online Reinforcement Learning for Adaptive Cache Reuse in Video Diffusion Acceleration

論文の概要: MORCA: Offline-to-Online Reinforcement Learning for Adaptive Cache Reuse in Video Diffusion Acceleration

arxiv url: http://arxiv.org/abs/2610.10457v1
Date: Wed, 07 Oct 2026 17:25:35 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-08 21:58:23.074657
Title: MORCA: Offline-to-Online Reinforcement Learning for Adaptive Cache Reuse in Video Diffusion Acceleration
Title（参考訳）: MORCA:ビデオ拡散加速における適応キャッシュ再利用のためのオフライン・オンライン強化学習
Abstract要約: 拡散変換器(DiT)はビデオ合成において顕著な性能を発揮するが,その反復的復調過程は高い推論遅延に悩まされる。我々は、オフラインからオンラインへの強化学習を通じてトレーニングされたキャッシュスケジューリングフレームワークであるMORCAを導入し、潜在意識の再利用/再計算を行う。複数のターゲット加速度比の異なるビデオ生成モデルに対する実験により、MORCAは、同等の計算予算下での最先端キャッシング手法よりも、より優れた生成忠実性を達成することが示された。
参考スコア（独自算出の注目度）: 29.26394208958241
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Diffusion Transformers (DiTs) achieve remarkable performance in video synthesis, but their iterative denoising process suffers from high inference latency. To address this, caching has emerged as an effective acceleration strategy by capitalizing on inter-step redundancy during denoising. Existing dynamic caching methods typically estimate the error that cache reuse would introduce at each denoising step (step error) to guide cache decisions, whereas our concern is how much quality loss cache reuse would cause in the final generated video (terminal error). We show that step error does not directly correspond to terminal error and that latent information helps capture their relationship, thereby informing cache decisions. Moreover, existing threshold-based methods cannot provide precise speedup control, making it difficult to meet practical requirements for user-specified acceleration targets. To address these limitations, we introduce MORCA, a cache scheduling framework trained through offline-to-online reinforcement learning to make latent-aware reuse/recompute decisions under user-specified acceleration targets. Extensive experiments on different video generation models across multiple target acceleration ratios demonstrate that MORCA achieves better generation fidelity than state-of-the-art caching methods under comparable computational budgets. Code is available at https://github.com/x10ngyx/MORCA.
Abstract（参考訳）: 拡散変換器(DiT)はビデオ合成において顕著な性能を発揮するが,その反復的復調過程は高い推論遅延に悩まされる。これを解決するために、デノナイジング中のステップ間冗長性を考慮し、効果的な加速戦略としてキャッシングが登場した。既存の動的キャッシュメソッドは、キャッシュ決定を導くために各ステップ(ステップエラー)でキャッシュの再利用が導入するエラーを推定しますが、我々の懸念は、最終生成ビデオ(端末エラー)でキャッシュの再利用がどれだけ品質損失の原因になるかということです。ステップエラーは端末エラーに直接対応せず、潜伏した情報がそれらの関係を捉え、キャッシュ決定を行う。さらに、既存のしきい値ベースの手法では正確なスピードアップ制御ができないため、ユーザ指定のアクセラレーションターゲットに対する現実的な要件を満たすことは困難である。これらの制約に対処するために,オフラインからオンラインへの強化学習を通じてトレーニングされたキャッシュスケジューリングフレームワークであるMORCAを導入し,ユーザ指定のアクセラレーションターゲットの下で,潜時対応の再利用/再計算を行う。複数のターゲット加速度比の異なるビデオ生成モデルに対する大規模な実験により、MORCAは、同等の計算予算下での最先端キャッシング手法よりも、より優れた生成忠実性を達成することが示された。コードはhttps://github.com/x10ngyx/MORCAで入手できる。

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)
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)
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)
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)
LightCache: Memory-Efficient, Training-Free Acceleration for Video Generation [40.968338980157846]
拡散モデルに基づくビデオ生成の先進的な研究領域として、トレーニングフリー加速が出現している。本稿では,推論過程を符号化・復号化・復号化段階に分解する。本稿では,メモリ消費を減らすためのステージ固有の戦略を提案する。
論文参考訳（メタデータ） (2025-10-06T20:54:44Z)
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)
PromptTea: Let Prompts Tell TeaCache the Optimal Threshold [1.0665410339553834]
一般的な加速戦略は、一定の間隔でキャッシング機構を介してモデル出力を再利用することである。本稿では,入力プロンプトから直接推定されるシーンの複雑さに基づいて,再利用しきい値を自動的に調整する手法であるPrompt-Complexity-Aware(PCA)キャッシングを提案する。
論文参考訳（メタデータ） (2025-07-09T10:53:05Z)
QuantCache: Adaptive Importance-Guided Quantization with Hierarchical Latent and Layer Caching for Video Generation [84.91431271257437]
Diffusion Transformers (DiTs) はビデオ生成において支配的なアーキテクチャとして登場した。 DiTには、計算コストやメモリコストの増大など、大きな欠点がある。我々は,新しいトレーニングフリー推論アクセラレーションフレームワークQuantCacheを提案する。
論文参考訳（メタデータ） (2025-03-09T10:31:51Z)
Accelerating Deep Learning Classification with Error-controlled Approximate-key Caching [72.50506500576746]
我々は、近似キーキャッシングと名付けた新しいキャッシングパラダイムを提案する。近似キャッシュはDL推論の負荷を軽減し、システムのスループットを向上するが、近似誤差を導入する。我々は古典的なLRUと理想的なキャッシュのキャッシュシステム性能を解析的にモデル化し、期待される性能のトレース駆動評価を行い、提案手法の利点を最先端の類似キャッシュと比較した。
論文参考訳（メタデータ） (2021-12-13T13:49:11Z)

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。