Tag · 9 篇

扩散模型加速

分布生成模型与扩散5高效模型与推理加速23D 视觉与重建1图像编辑与可控生成1

StreamAvatar: Streaming Diffusion Models for Real-Time Interactive Human Avatars

把高保真人体视频扩散模型通过自回归蒸馏+对抗精炼改造成因果流式生成器，配合 Reference Sink 与 RAPR 维持长时一致性，为实时交互式数字人提供可复用的少步流式采样方案。

SenCache: Accelerating Diffusion Model Inference via Sensitivity-Aware Caching

提出基于模型输出敏感性的动态缓存策略，可无缝集成到现有视频扩散模型（如 Wan 2.1、CogVideoX）中，在相近计算预算下提升生成质量，为免训练加速提供理论指导。

SeaCache: Spectral-Evolution-Aware Cache for Accelerating Diffusion Models

对做扩散/流匹配采样加速的人，可直接把「频谱演化先验」当作缓存复用判据：用 SEA 滤波器滤掉高频噪声后再算相邻时间步特征距离，替代原始特征差，从而在不训练的情况下自适应决定哪些步可以跳过。

LogCD: Local-to-global Consistency Distillation for Few-step Image Generation

两阶段局部到全局一致性蒸馏把 SDXL 这类潜扩散/整流流模型压到 2–4 步采样，且单模型可在步数间无缝切换，可直接复用到任何需要少步高保真生成的视觉管线（如实时文生图、编辑前置生成器）。

Fast3Dcache: Training-free 3D Geometry Synthesis Acceleration

提出一种无需训练的几何感知缓存框架，通过预测性缓存调度约束和时空稳定性准则，在加速3D扩散模型推理的同时保持几何保真度，可复用于其他3D生成任务的加速。

Efficient Weighted Sampling via Score-based Generative Models

对做扩散生成的研究者，这篇给出了一个免训练、无需 Hessian 与粒子重采样的加权采样方案：用轻量近似替代引导项的高阶导数，并按时序误差动态调节引导强度，可直接套用到 SDXL 等预训练模型上做任务自适应采样，同时获得 1.2–4.7 倍加速。

EditCtrl: Disentangled Local and Global Control for Real-Time Generative Video Editing

把视频编辑的计算量从全视频上下文收缩到掩码 token 上，再用轻量全局上下文嵌入器补回时序一致性，这个「局部优先 + 全局轻量引导」的分解思路可直接迁移到任何基于扩散/流模型的视频修复、物体移除或区域重绘管线中，并支撑实时自回归传播。

DRiffusion: Draft-and-Refine Process Parallelizes Diffusion Models with Ease

通过 skip transition 并行生成未来时间步的草稿状态再统一去噪精炼，是一种与具体扩散骨干解耦的并行采样加速手段，可直接套用到图像/视频扩散模型的推理管线中以降低延迟。

Accelerating Diffusion via Hybrid Data-Pipeline Parallelism Based on Conditional Guidance Scheduling

对做扩散模型部署的人，这篇给出了一个可直接复用的思路：把条件/无条件两条去噪路径当作数据划分维度，并按两条路径的去噪差异自适应切换流水线并行度，从而在多卡上把生成延迟压下来而不引入明显伪影。