Tag · 7 篇
特征缓存
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。
LESA：面向扩散模型加速的可学习阶段感知预测器
LESA: Learnable Stage-Aware Predictors for Diffusion Model Acceleration
把扩散采样中的特征缓存从「简单复用/免训练外推」升级为「按噪声阶段分专家、用 KAN 学习时序特征映射」的可训练预测器，可直接套用到 DiT 类图像/视频生成模型的推理加速上，在 FLUX、Qwen-Image、HunyuanVideo 上验证了 5–6 倍加速且质量几乎不掉。
从草图到湿壁画：渐进分辨率的 Efficient 扩散 Transformer
From Sketch to Fresco: Efficient Diffusion Transformer with Progressive Resolution
把「低分辨率起草 + 高分辨率精修」做成跨阶段对齐同一目标的免训练采样框架，可直接套到 FLUX、HunyuanVideo 等 DiT 上，并与蒸馏、量化、特征缓存正交叠加，是降低迭代采样成本的可复用加速手段。
预测主成分、稳定残差：面向扩散 Transformer 的子空间感知特征缓存
Forecast the Principal, Stabilize the Residual: Subspace-Aware Feature Caching for Diffusion Transformers
对做扩散 Transformer 采样加速的人，可直接把 SVD 分解 + 主/残差子空间差异化预测（主成分 EMA 预测、残差直接复用）作为免训练缓存策略，替换现有均匀缓存，并可与蒸馏、量化、稀疏注意力叠加。
DisCa：面向视频扩散 Transformer 的蒸馏兼容可学习特征缓存加速
DisCa: Accelerating Video Diffusion Transformers with Distillation-Compatible Learnable Feature Caching
用轻量可学习神经预测器替代无训练启发式特征缓存，并与步数蒸馏联合优化，可直接迁移到任意视频扩散 Transformer 的少步推理管线中以降低采样开销。
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。
超越固定公式：面向高效扩散模型的数据驱动线性预测器
Beyond Fixed Formulas: Data-Driven Linear Predictor for Efficient Diffusion Models
把手工设计的 Taylor 式特征外推系数换成按时间步学习的线性权重，只需少量缓存轨迹、单卡约 20 秒即可训好，可直接插到 DiT/FLUX/Qwen-Image 等现有采样管线上做免训练加速，是特征缓存类加速方法的一个即插即用替换件。