Tag · 3 篇
无训练加速
分布 高效模型与推理加速2生成模型与扩散1
01 02 03
TAP：面向无训练扩散加速的词元自适应预测器框架
TAP: A Token-Adaptive Predictor Framework for Training-Free Diffusion Acceleration
把「逐词元自适应选择预测器」作为即插即用的无训练加速模块，可直接套到已有扩散/流匹配采样器上，用首层单次前向作为低成本探针来分配不同阶数/视野的泰勒外推，替代全局固定缓存策略。
GeoRK2：面向扩散 Transformer 加速的几何引导 Runge-Kutta 积分
GeoRK2: Geometry-Guided Runge-Kutta Integration for Diffusion Transformer Acceleration
把二阶 Runge-Kutta 积分器与由噪声预测导出的曲率感知几何流结合，用激活协方差估计特征度量来约束大步长下的误差传播，可直接替换现有 DiT/视频扩散模型的采样器，实现免训练 4-5 倍加速。
无块效应的基于块的学习图像压缩
Block-based Learned Image Compression without Blocking Artifacts
给出一个解析框架，通过卷积/转置卷积层推导重叠传播，精确算出无块效应重建所需的最小重叠量，可直接套用到任意 CNN 图像处理网络（超分、去噪、复原）做分块推理，在不重训练的前提下把峰值显存和计算量降到约 13% 和 2%。