論文の概要: ParaLin++: Accelerating Parallel Diffusion Integrator via Intrinsic Partially Linear Structure

• arxiv url: http://arxiv.org/abs/2610.30704v1
• Date: Thu, 22 Oct 2026 04:22:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.210409
• Title: ParaLin++: Accelerating Parallel Diffusion Integrator via Intrinsic Partially Linear Structure
• Title（参考訳）: ParaLin++: 固有部分線形構造による並列拡散積分器の高速化
• Abstract要約: 従来のFID/CLIP方式の評価では、トレーニング不要な数ステップのサンプルは、ほとんど品質の欠如と説明されることが多い。 textitParaLin++を提案する。これはステップパリティ並列サンプリングであり,全ステップの離散化を保ちながらソルバを高速化する。
• 参考スコア（独自算出の注目度）: 63.76123393882131
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training-free few-step samplers are often described as nearly quality-lossless under conventional FID/CLIP-style evaluation. It remains unclear whether that conclusion transfers to more realistic and complex generation-quality benchmarks. We first systematize the quality metrics used to evaluate training-free sampling acceleration for diffusion and flow-matching models. We find that representative training-free step-shortening methods often remain nearly lossless under FID/CLIP-class metrics, yet can suffer substantial quality degradation when evaluated with semantic-composition, dense-instruction, and long-text-rendering benchmarks such as GenEval, DPG-Bench, and LongTextBench. Parallel sampling is a notable exception: by retaining the full-step discretization and removing only the solver's temporal dependency, it can preserve near-lossless quality while accelerating sampling. Building on this observation, we propose \textit{ParaLin++}, a step-parity parallel sampler that preserves the full-step discretization while accelerating the solver iterations. Experiments across Stable Diffusion-v2, LSUN Church, FLUX.1-dev, and Ming-Flash-Omni 2.0 show that ParaLin++ preserves the full-step Euler quality profile at $2.6\times$--$4.8\times$, $1.68\times$ on FLUX, and $1.21\times$ on Ming. Project page: https://paralinplus.github.io/.
• Abstract（参考訳）: 従来のFID/CLIP方式の評価では、トレーニング不要な数ステップのサンプルは、ほとんど品質の欠如と説明されることが多い。 結論がより現実的で複雑な世代品質のベンチマークに移行するかどうかは不明だ。 まず,拡散・流れマッチングモデルにおけるトレーニング不要サンプリングアクセラレーションの評価に用いる品質指標を体系化する。 我々は、FID/CLIPクラスのメトリクスでは、代表的なトレーニング不要なステップショートニング手法がほとんど失われないことが多いが、セマンティック・コンポジション、密な命令、GenEval、DPG-Bench、LongTextBenchといった長文レンダリングのベンチマークで評価すると、かなりの品質劣化を被る可能性があることを発見した。 並列サンプリングは顕著な例外であり、全ステップの離散化を保ち、ソルバの時間的依存だけを取り除くことにより、サンプリングを加速しながら、ほぼロスレスな品質を維持することができる。 そこで本研究では,ステップパーティ並列サンプリングシステムである‘textit{ParaLin++} を提案する。 安定拡散-v2、LSUN教会、FLUX.1-dev、Ming-Flash-Omni 2.0での実験では、ParaLin++はフルステップのEuler品質プロファイルを2.6\times$--$4.8\times$、FLUX$1.68\times$、Ming$1.21\times$で保存している。 プロジェクトページ: https://paralinplus.github.io/.com

関連論文リスト

• Accelerating Discrete Diffusion Models with Parallel-In-Time Sampling [55.388363730120325]
  本研究では,CTMC(Continuous-Time Markov Chain)フレームワークにおいて,離散拡散を吸収するための$-leapingアルゴリズムを並列化する。 我々は,$$-leapingアルゴリズムとPicard法の連続時間積分形式を利用して,並列時間サンプリング高速化を実現する。 本研究は, 分子構造や言語生成などの応用において, 効率的な並列推論のための離散拡散モデルの可能性を広げるものである。
  論文  参考訳（メタデータ） (2026-07-01T10:59:33Z)
• DRiffusion: Draft-and-Refine Process Parallelizes Diffusion Models with Ease [3.5025591191253933]
  DRiffusionは、ドラフト・アンド・リファインプロセスを通じて拡散推論を並列化する並列サンプリングフレームワークである。 実証的には、DRiffusionは1.4$times$-3.7$times$speedupを複数の拡散モデルで達成し、生成品質は最小限に低下する。
  論文  参考訳（メタデータ） (2026-03-26T19:58:42Z)
• Test-Time Scaling with Diffusion Language Models via Reward-Guided Stitching [66.39914384073145]
  本稿では,安価な拡散サンプリング推論をステップレベル候補の再利用プールに変換する自己整合性フレームワークを提案する。 ステップレベルの再結合は、難しい問題に対して最も有益であることがわかった。 トレーニング不要のフレームワークは、6つの数学およびコーディングタスクの平均精度を最大2倍改善します。
  論文  参考訳（メタデータ） (2026-02-26T11:08:39Z)
• InvarDiff: Cross-Scale Invariance Caching for Accelerated Diffusion Models [2.6735992385049663]
  InvarDiffは、時間ステップスケールと層スケールの相対時間的不変性を利用する、トレーニング不要な加速度法である。 実験によると、InvarDiffは標準品質の指標に最小限の影響を伴って、エンドツーエンドのスピードアップで2～3ドルを達成している。
  論文  参考訳（メタデータ） (2025-11-29T02:34:23Z)
• dParallel: Learnable Parallel Decoding for dLLMs [77.24184219948337]
  拡散大言語モデル(dLLM)は並列トークン予測と低推論遅延を提供する。 既存のオープンソースモデルは、パフォーマンスを確保するためにトークン長のデコードステップをほとんど必要としています。 高速サンプリングのためにdLLMs固有の並列性を解き放つシンプルで効果的な方法であるdParallelを導入する。
  論文  参考訳（メタデータ） (2025-09-30T16:32:52Z)
• Distilling Parallel Gradients for Fast ODE Solvers of Diffusion Models [53.087070073434845]
  拡散モデル(DM)は、最先端の生成性能を達成したが、シーケンシャルなデノナイジング特性のため、高いサンプリング遅延に悩まされている。 既存のソルバベースの加速度法では、低レイテンシの予算で画像品質が劣化することが多い。 本稿では、各ODEステップに複数の並列勾配評価を組み込むことで、トランケーションエラーを軽減する新しいODEソルバであるEnsemble Parallel Direction Solutionrを提案する。
  論文  参考訳（メタデータ） (2025-07-20T03:08:06Z)
• Self-Refining Diffusion Samplers: Enabling Parallelization via Parareal Iterations [53.180374639531145]
  自己精製拡散サンプリング(SRDS)は、サンプル品質を維持し、追加の並列計算コストでレイテンシを向上させることができる。 微分方程式の並列時間積分法であるPararealアルゴリズムから着想を得た。
  論文  参考訳（メタデータ） (2024-12-11T11:08:09Z)

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。