Tag · 7 篇
扩散采样加速
面向文本到图像扩散模型的早期质量评估
Toward Early Quality Assessment of Text-to-Image Diffusion Models
对做 T2I 生成的人，Probe-Select 提供了一种在去噪轨迹早期（约 20% 步数）用中间激活预测最终质量分、提前终止劣质种子的插件式方案，可直接嵌入现有 diffusion/flow-matching 采样循环，把 generate-then-select 的算力开销降下来。
TC-Pade：面向扩散加速的轨迹一致 Padé 逼近
TC-Pade: Trajectory-Consistent Pade Approximation for Diffusion Acceleration
用有理函数（Padé 逼近）替代 Taylor 类多项式外推来做扩散模型的特征缓存预测，并配合自适应系数调制与分阶段预测策略，可直接嵌入 DiT/FLUX/Wan 等视觉生成骨干，在 20-30 步低步数区间实现约 2-3 倍采样加速而不掉画质。
Otil：通过通信高效的多 GPU 并行加速扩散模型推理
Otil: Accelerating Diffusion Model Inference via Communication-Efficient Multi-GPU Parallelism
对做扩散模型高分辨率/视频生成的研究者，这是一种即插即用的多卡并行推理方案：利用相邻去噪步潜变量变化微小的性质，只同步信息量最大的潜变量子块并周期性轮询全部空间区域，可在不改架构、不重训的前提下把 GPU 间通信降低最多 87.5%，与少步采样器和低秩适配叠加后进一步提速。
基于一致性求解器的图像扩散预览
Image Diffusion Preview with Consistency Solver
把扩散采样器本身当作可训练的高阶线性多步求解器，用强化学习直接优化少步预览质量与预览-终稿一致性，可作为即插即用的采样器替换 DPM-Solver 类求解器，用于交互式生成与预览-精修流程。
FastHybrid：利用前瞻与引导解码加速混合自回归图像生成
FastHybrid: Accelerating Hybrid Autoregressive Image Generation with Lookahead and Guided Decoding
把混合自回归生成中的扩散解码头拆成「语义预测」与「细节精修」两条并行分支，并用引导扩散采样压缩去噪步数，为视觉生成中扩散解码器的推理加速提供了可直接复用的解码调度思路。
去噪即路径规划：基于 DPCache 的扩散模型免训练加速
Denoising as Path Planning: Training-Free Acceleration of Diffusion Models with DPCache
把扩散采样中「跳过哪些时间步」从局部启发式升级为基于路径代价张量 + 动态规划的全局调度，可直接套用到 DiT/FLUX/视频扩散等任意迭代采样器的免训练加速上，是缓存类加速方法（DeepCache、TeaCache 等）的通用改进思路。
自适应谱特征预测用于扩散采样加速
Adaptive Spectral Feature Forecasting for Diffusion Sampling Acceleration
把去噪器潜变量特征视为随时间变化的函数，用切比雪夫多项式加岭回归做全局长程预测，可在不训练的前提下替换现有特征缓存复用策略，直接用于 DiT 类图像/视频扩散模型的少步采样加速。