Elastic Diffusion Transformer
本文提出了弹性扩散 Transformer（E-DiT），这是一种通过轻量级路由器动态识别样本依赖的稀疏性并自适应跳过计算块或缩减 MLP 宽度的自适应加速框架，结合训练免的块级特征缓存机制，在保持生成质量的同时实现了高达 2 倍的推理加速。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在指挥一支庞大的交响乐团（这就是现在的 AI 绘画模型，比如 DiT），想要演奏出一首完美的交响曲（生成一张精美的图片）。
传统的做法是：无论这首曲子是简单的《小星星》还是复杂的《命运交响曲》，指挥家都要求所有乐手（模型里的每一个计算模块）在每一小节（去噪的每一步）都全神贯注、全力以赴地演奏。
问题出在哪？
这就好比让一位钢琴家去弹《小星星》，结果他用了演奏《哥德堡变奏曲》的精力和速度，不仅累得半死（计算量巨大、速度慢），而且对于简单的曲子来说，这种“过度努力”完全是浪费。更糟糕的是，有些乐手在某些段落其实根本不需要发声，或者只需要轻轻拨弄一下琴弦，但传统方法却让他们一直用力按弦。
这篇论文提出的 E-DiT（弹性扩散 Transformer），就是给这位指挥家装上了一套智能的“弹性指挥系统”。它不再死板地要求所有人一直全力工作，而是根据曲子的难度和当下的情况，灵活调整。
E-DiT 是如何工作的？（三个核心魔法）
E-DiT 给乐团里的每一个乐手（Transformer 模块）都配了一个聪明的“小助手”（Router，路由器）。这个小助手会根据当前的乐谱（输入的图片潜变量）和演奏进度（去噪步骤），实时做出三个决定：
1. 智能“请假”机制（自适应跳过模块）
- 比喻：小助手发现，在演奏《小星星》的某个简单段落时，铜管乐组其实可以暂时休息，不用发声。
- 做法：如果小助手判断某个模块对当前这张图不重要，它就会直接说：“这一组乐手，跳过，不用演奏了！”
- 效果：省去了大量不必要的计算，就像乐团里少了一群人，速度自然快了。
2. 灵活“降维”演奏（自适应调整宽度）
- 比喻：如果某个乐手必须演奏，但这段旋律很简单，不需要他动用所有的手指技巧。小助手会告诉他：“你只用一半的手指按琴键就够了，不用全开。”
- 做法：对于那些不能跳过的模块，小助手会动态调整它们的“工作宽度”（MLP 宽度）。简单的图，让模型“瘦”一点跑；复杂的图，让模型“胖”一点跑。
- 效果：既保证了质量，又减少了运算量。
3. 聪明的“缓存”复用（块级特征缓存）
- 比喻：在连续的几个小节里，如果乐手发现旋律几乎没变，小助手会说：“刚才那个音符我们记下来了，下一小节直接复用那个结果，不用重新算一遍！”
- 做法：对于那些处于“边缘状态”（既不是完全重要，也不是完全没用）的模块，E-DiT 会利用之前计算过的结果，直接拿来用，避免重复劳动。
- 效果：这是“免费”的加速，不需要重新训练，直接省时间。
为什么这很厉害？
以前的加速方法（比如剪枝或蒸馏）就像是给乐团换了一把更小的椅子，或者强行把乐团人数减半。不管你是弹简单的曲子还是复杂的曲子，大家都只能坐小椅子，结果就是：简单的曲子还行，复杂的曲子就弹崩了（质量下降）。
而 E-DiT 是动态调整的：
- 简单的图（比如蓝天白云）：系统会大胆地跳过很多模块，甚至把模块“瘦身”，跑得飞快。
- 复杂的图（比如精细的建筑或文字）：系统会立刻识别出来，让所有模块全力工作，保证画质不输。
实验结果怎么样？
作者把这套系统用在了几个顶级的 AI 模型上（比如 Qwen-Image, FLUX 画图的，还有 Hunyuan3D 画 3D 模型的）。
- 速度：就像给跑车换上了涡轮增压，速度提升了约 2 倍（以前画一张图要 2 秒，现在只要 1 秒）。
- 质量：画出来的图几乎看不出区别，就像是用同样的乐手，只是指挥得更聪明了，而不是换了一群新手。
总结
简单来说，E-DiT 就是给 AI 绘画模型装上了一个会看人下菜碟的“智能管家”。它不再让模型“死脑筋”地一直全速运转，而是根据任务的难易程度，该偷懒时偷懒，该发力时发力。
这让 AI 生成图片变得更快、更省电，而且画质依然在线，让普通用户也能在手机上流畅地体验高质量的 AI 创作。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。