Fugu-MT 論文翻訳(概要): Tikhonov-Stabilized Bezier Representation Forecasting for Training-free Diffusion Acceleration

論文の概要: Tikhonov-Stabilized Bezier Representation Forecasting for Training-free Diffusion Acceleration

arxiv url: http://arxiv.org/abs/2610.16448v1
Date: Mon, 12 Oct 2026 09:14:55 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-18 23:10:44.25524
Title: Tikhonov-Stabilized Bezier Representation Forecasting for Training-free Diffusion Acceleration
Title（参考訳）: Tikhonov-Stabilized Bezier Representation Forecasting for Training-free Diffusion Acceleration (特集:エネルギー・エネルギー)
Abstract要約: トレーニング不要な拡散加速フレームワークである textbfBeziCast を提案する。低次B'ezier軌道を用いた出力-近近分解表現の予測を行う。 BeziCastがFLUX.1を最大(4.79タイム)、HunyuanVideoを最大(4.11タイム)高速化
参考スコア（独自算出の注目度）: 23.092340396565366
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Diffusion models, particularly Diffusion Transformers, achieve strong image and video generation quality but remain expensive at inference time due to repeated denoiser evaluations. Feature caching offers a deployment-friendly acceleration strategy by reusing or predicting intermediate representations without retraining the generator or modifying the sampler. However, existing cache-then-forecast methods often rely on Taylor-style finite-difference extrapolation, which can become unstable over longer cache intervals, and typically predict local module outputs whose errors may accumulate through subsequent denoiser blocks. We propose \textbf{BeziCast}, a training-free diffusion acceleration framework that forecasts output-proximal denoising representations using low-order B'ezier trajectories. BeziCast estimates B'ezier control points via Tikhonov-stabilized fitting, providing a smooth, capacity-controlled temporal parameterization that avoids explicit high-order derivative estimation and decouples trajectory capacity from cache-query density. To moderate aggressive extrapolation, we further derive equivalent forecasting weights and introduce a convex-hull-inspired guardrail that detects high-risk predictions and softly pulls them toward a conservative simplex-projected estimate. Extensive evaluations across advanced image and video diffusion models demonstrate the effectiveness of BeziCast. In particular, BeziCast accelerates FLUX.1 by up to (4.79\times) and HunyuanVideo by up to (4.11\times), while preserving substantially better generation quality than competing acceleration baselines.
Abstract（参考訳）: 拡散モデル、特に拡散変換器は、強い画像および映像生成品質を達成するが、繰り返しのデノイザ評価のために推論時に高価である。フィーチャーキャッシングは、ジェネレータを再トレーニングしたり、サンプルを修正したりすることなく、中間表現を再利用または予測することで、デプロイメントフレンドリなアクセラレーション戦略を提供する。しかし、既存のキャッシュ列予測法は、長いキャッシュ間隔で不安定になりうるテイラー式有限差分外挿に依存し、通常、後のデノイザブロックを通じてエラーが蓄積される可能性のあるローカルモジュール出力を予測する。本稿では,低次B'ezier軌道を用いた出力近位デノゲーション表現の予測を行う,学習不要な拡散加速フレームワークである‘textbf{BeziCast} を提案する。 BeziCastは、Tikhonov安定化フィッティングを介してB'ezier制御ポイントを推定し、明示的な高次微分推定を回避し、キャッシュ-クエリ密度から軌道容量を分離するスムーズな時間パラメータ化を提供する。積極的外挿を緩やかにするために, 等価な予測重みを導出し, 高リスク予測を検知し, 保守的単純予想推定に向けて柔らかく引き出す凸フルインスパイアされたガードレールを導入する。高度な画像およびビデオ拡散モデルに対する広範囲な評価は、BeziCastの有効性を示す。特にBeziCastはFLUX.1を(4.79\times)まで加速し、HunyuanVideoを(4.11\times)まで加速する。

関連論文リスト

TGuide: Faster Autoregressive Video Diffusion via Historical Trajectory Guidance [69.22347589094333]
本稿では,Anchor-Transport-Correct(ATC)予測器を通じて自動回帰ビデオ拡散を高速化するフレームワークであるTGuideを紹介する。現在のチャンクの前段特徴は空間構造を保ち、前のチャンクの同段特徴は目標認知段階の情報を提供する。 Self Forcing、Causal Forcing、HY-WorldPlayの実験では、TGuideは生成品質を保ちながら、オリジナルの4ステップジェネレータよりも最大1.89タイムの速度アップを実現している。
論文参考訳（メタデータ） (2026-10-10T07:16:40Z)
Scaling Reinforcement Learning for Diffusion Models via Velocity Matching [66.34541945134916]
RewardBenchファインチューニングは、人間の好みやタスク固有の目的に拡散モデルを適用するための重要なツールである。自己回帰モデルとは異なり、拡散モデルは生成したサンプルの抽出可能な可能性を提供しない。本稿では,速度場に直接作用する単純なトラジェクトリフリー更新である報酬ベースベロシティマッチング(RVM)を提案する。
論文参考訳（メタデータ） (2026-08-24T17:13:43Z)
BRACE: Taming Sharp Irregularities via Barycentric Rational Forecasting for Fast Diffusion Transformers Inference [7.024073219145713]
拡散変換器(DiT)は高忠実度画像とビデオ生成において例外的な性能を示した。計算オーバーヘッドを大幅に軽減するため、冗長な計算をバイパスするために時間的特徴キャッシングが提案されている。本稿では,このボトルネックに対処するため,Barycentric Forecasting with Chebyshev Enhancement (BRACE)を提案する。
論文参考訳（メタデータ） (2026-08-04T11:24:53Z)
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)
Predict to Skip: Linear Multistep Feature Forecasting for Efficient Diffusion Transformers [10.751183015853863]
拡散変換器(DiT)は高忠実度画像とビデオ生成のバックボーンとして広く採用されている。線形多段階問題として特徴予測を定式化する,トレーニング不要なアクセラレーションフレームワークである textbfPrediT を提案する。提案手法は,DiTベースの画像およびビデオ生成モデル間で最大5.54タイムのレイテンシ低減を実現し,品質劣化を生じさせる。
論文参考訳（メタデータ） (2026-02-20T09:33:59Z)
FlowCast: Trajectory Forecasting for Scalable Zero-Cost Speculative Flow Matching [23.722244033333947]
Flow Matching (FM)は、最近、高品質なビジュアル生成のための強力なアプローチとして登場した。既存の加速法、例えば蒸留、トランケーション、整合性トレーニングは、品質を低下させるか、コストのかかる再訓練、あるいは一般化の欠如をもたらす。本研究では,FMモデルが一定の速度を維持するためにトレーニングされているという事実を利用して,推論を高速化する,トレーニング不要な投機生成フレームワークであるFlowCastを提案する。
論文参考訳（メタデータ） (2026-02-01T16:50:15Z)
SpeCa: Accelerating Diffusion Transformers with Speculative Feature Caching [17.724549528455317]
拡散モデルは高忠実度画像とビデオ合成に革命をもたらしたが、リアルタイムアプリケーションでは計算要求は禁じられている。本稿では,両制約を効果的に対処する新しい「予測検証」アクセラレーションフレームワークであるSpeCaを提案する。提案手法では,予測信頼性を効率よく評価するパラメータフリー検証機構を実装し,各予測に対するリアルタイム決定の受け入れや拒否を可能にする。
論文参考訳（メタデータ） (2025-09-15T06:46:22Z)
Self Forcing: Bridging the Train-Test Gap in Autoregressive Video Diffusion [67.94300151774085]
本稿では,自己回帰ビデオ拡散モデルのための新しい訓練パラダイムであるSelf Forcingを紹介する。露光バイアスの長年の問題に対処し、地道的な文脈で訓練されたモデルは、自身の不完全な出力で条件付けられたシーケンスを生成する必要がある。
論文参考訳（メタデータ） (2025-06-09T17:59:55Z)
PostCast: Generalizable Postprocessing for Precipitation Nowcasting via Unsupervised Blurriness Modeling [85.56969895866243]
本稿では,ぼやけた予測とそれに対応する土台真実のペアによるトレーニングを必要とせずに,ぼやけを解消するための教師なしポストプロセッシング手法を提案する。非条件相関を任意のぼかしモードに適応させるため、ゼロショットのぼかしカーネル推定機構とオートスケールの denoise ガイダンス戦略を導入する。
論文参考訳（メタデータ） (2024-10-08T08:38:23Z)

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。