論文の概要: PoSTCache: From Forecasting to Postdictive Smoothing for Revisable Diffusion Caching
- arxiv url: http://arxiv.org/abs/2610.25664v1
- Date: Mon, 19 Oct 2026 02:11:29 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 22:34:14.606714
- Title: PoSTCache: From Forecasting to Postdictive Smoothing for Revisable Diffusion Caching
- Title（参考訳）: PoSTCache: 予測から予測の平滑化へ - 変更可能な拡散キャッシング
- Abstract要約: 拡散およびフローマッチングモデルは印象的な視覚的生成品質を達成するが、反復サンプリングのため計算コストは高い。
提案する textPoSTCache (emphPostdictive Smoothing Trajectory Cache) は,拡散キャッシングを修正可能なトラジェクトリ推論として再構成する,トレーニングフリーでプラグアンドプレイのフレームワークである。
- 参考スコア（独自算出の注目度）: 68.12596053500104
- License:
- Abstract: Diffusion and flow matching models achieve impressive visual generation quality but remain computationally expensive due to iterative sampling. Caching-based acceleration provides a practical training-free solution by reusing or predicting intermediate features. However, existing methods largely enforce a forward-only information flow: approximations produced for skipped model evaluations are immediately committed to the sampling trajectory and cannot benefit from feedback generated by later full-computation steps. We propose \textbf{PoSTCache} (\emph{Postdictive Smoothing Trajectory Cache}), a training-free and plug-and-play framework that reformulates diffusion caching as revisable trajectory inference. PoSTCache first uses an existing caching strategy to construct forward proposals for skipped steps. At a later full-computation step, the discrepancy between the refreshed prediction and its forward proposal yields a correction signal, which PoSTCache propagates backward to refine and reintegrate the preceding predictions. Viewing full-computation steps as sources of corrective feedback also changes how they should be selected. We therefore introduce the Posterior Variance Reduction (PVR) strategy, which estimates cross-timestep dependencies from offline denoising trajectories and selects anchors according to their expected reduction in surrogate trajectory uncertainty rather than local approximation error alone. Experiments on representative image and video generation models show that PoSTCache consistently improves the quality--efficiency trade-off over representative caching methods.
- Abstract（参考訳）: 拡散およびフローマッチングモデルは印象的な視覚的生成品質を達成するが、反復サンプリングのため計算コストは高い。
キャッシングベースの加速度は、中間的特徴を再利用または予測することによって、実践的なトレーニング不要のソリューションを提供する。
しかし、既存の手法ではフォワードのみの情報フローがほとんど適用されており、スキップされたモデル評価のために生成された近似は即座にサンプリング軌道にコミットされ、後の完全計算ステップで生成されたフィードバックの恩恵を受けることができない。
本稿では,拡散キャッシングを修正可能なトラジェクトリ推論として再構成するトレーニングフリーかつプラグイン・アンド・プレイのフレームワークである‘textbf{PoSTCache}(\emph{Postdictive Smoothing Trajectory Cache})を提案する。
PoSTCacheは、最初に既存のキャッシュ戦略を使用して、スキップされたステップのプロポーザルを構築する。
その後の完全な計算ステップでは、リフレッシュされた予測と前方提案の相違により、修正信号が得られ、PoSTCacheが後方に伝播して、以前の予測を洗練し、再統合する。
完全な計算ステップを修正フィードバックのソースとして見ることも、その選択方法を変えます。
そこで我々はPVR戦略を導入する。これは、オフラインの遅延軌道からのクロスタイムステップ依存を推定し、局所近似誤差ではなく、サロゲート軌道の不確かさの低減を期待してアンカーを選択する。
代表画像およびビデオ生成モデルの実験は、PoSTCacheが代表キャッシングメソッドよりも品質-効率-トレードオフを一貫して改善していることを示している。
関連論文リスト
- RECAP: Reciprocal Sparse Attention and Hierarchical Caching for Efficient Video Diffusion [40.34990427735821]
相互補正により,疎注意を階層キャッシングと組み合わせたトレーニングフリーなRECAPを提案する。
720p 5秒のHunyuanVideoでは、RECAPは3.05倍のスピードアップを実現し、テストされたすべての直接合成を忠実度と推論速度の両方で上回っている。
論文 参考訳（メタデータ） (2026-10-19T12:03:07Z) - 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) - 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) - Denoising as Path Planning: Training-Free Acceleration of Diffusion Models with DPCache [8.614492355393578]
本研究では,グローバルパス計画問題として拡散加速を定式化する学習自由加速フレームワークDPCacheを提案する。
DPCacheは動的プログラミングを使用して、トラジェクティブの忠実さを維持しながら、全体のパスコストを最小限に抑える、キータイムステップの最適なシーケンスを選択する。
DiT、FLUX、HunyuanVideoの実験では、DPCacheは最小品質の損失で強力な加速を実現している。
論文 参考訳（メタデータ） (2026-02-26T06:13:33Z) - 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) - 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) - Timestep Embedding Tells: It's Time to Cache for Video Diffusion Model [55.64316746098431]
Timestep Embedding Aware Cache (TeaCache)は、タイムステップ間のモデルアウトプットの変動を推定し、活用する、トレーニング不要なキャッシュアプローチである。
TeaCacheはOpen-Sora-Plan上で最大4.41倍の高速化を実現している。
論文 参考訳（メタデータ） (2024-11-28T12:50:05Z) - 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。