🤖 AI

ResilPhase: Plug-and-Play Phase Mapping and Noise-Resilient Macro-Trajectory Extrapolation for Diffusion Acceleration

ResilPhase 是一个即插即用的框架，它通过将推理重新表述为 ODE 空间中的稳定宏观轨迹外推，并利用无导数重心拉格朗日外推器和有界相位映射，来克服现有“先缓存后预测”方法中固有的质量退化和不稳定性，从而加速扩散模型。

原作者： Qicheng Zhao, Yu Li, Qi Sun, Zheyu Yan

发布于 2026-06-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Qicheng Zhao, Yu Li, Qi Sun, Zheyu Yan

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

想象一下你正在试图预测过山车的路径。为了准确预测，你通常需要检查过山车在每一秒钟的位置，计算它的速度，以及速度的变化率（加速度），还有加速度的变化率（加加速度/Jerk）。

问题所在：“过于复杂”的过山车
目前的 AI 图像和视频生成器（称为扩散模型，Diffusion Models）就是这样工作的。为了生成一张图片，它们会进行数百个微小的步骤，在每一个瞬间检查图像的状态。这非常缓慢。

为了提高速度，近期的研究方法尝试了一些聪明的做法：“让我们跳过中间步骤！我们只需观察最后几个点，然后预测汽车下一步会出现在哪里。”它们使用了数学公式（多项式）来连接这些点并画出一条线。

然而，该论文指出，这些方法之所以失败，是因为它们观察的对象不对：

观察的细节不对： 它们不是在观察整个过ло过山车轨道，而是在试图预测汽车上每一个微小、抖动的螺栓的运动。这些微小的运动是混乱且充满噪声的。如果你对一个螺栓的预测错了，误差就会随着向上移动的过程不断累积，最终毁掉整个预测。
使用的数学工具不对： 它们试图通过观察带有噪声的点来计算“速度”和“加速度”。这就像是通过观察一片摇晃的叶子来测量风速一样。这种数学计算会放大噪声，导致预测轨迹严重偏离轨道。
“边缘效应”： 当你试图基于一条由点组成的直线来预测未来时，你预测得越远，这条线就越容易在边缘处产生剧烈的波动和爆炸。这是一个已知的数学问题，称为“龙格现象”（Runge's phenomenon）。

解决方案：ResilPhase
作者创建了一个名为 ResilPhase（弹性相位映射）的新系统来解决这三个问题。以下是它的工作原理，使用简单的类比：

1. “大局观”策略 (全局漂移/Global Drift)

与其试图预测每一个抖动细节（逐层特征）的运动，ResilPhase 提出了一个更简单的问题：“如果我们从这里出发，到达那里，总共移动了多远的距离？”

他们称之为 全局漂移 (Global Drift)。想象你并不关心路上的颠簸，你只关心从车站到终点的直线距离。通过预测这种宏大且平滑的运动，AI 避免了“多米诺骨牌效应”，即由于微小误差堆积而导致整体崩溃。它跳过了混乱的中间细节，专注于整个旅程。

2. “无速度计”策略 (无导数/Derivative-Free)

旧的方法试图通过计算速度和加速度来预测未来。但由于数据存在噪声，计算速度会导致噪声爆炸。

ResilPhase 说：“不要计算速度。只需观察这些点。”
它们使用了一种特殊的数学技巧，称为 重心拉格朗日插值法 (Barycentric Lagrange Interpolation)。你可以把它想象成在不测量画笔在两点之间移动速度的情况下，通过一组点画出一条平滑的曲线。它完全忽略了嘈杂的“速度”数据，只是以最稳定的方式将点连接起来。这阻止了噪声破坏预测。

3. “神奇地图”策略 (相位映射/Phase Mapping)

即使有了正确的策略，基于等间距的点（比如每隔 1 秒检查一次）来预测未来，也会导致边缘出现剧烈波动（龙格现象）。

ResilPhase 引入了 相位映射 (Phase Mapping)。想象你有一张橡胶制的“时间地图”：

旧的方法： 你均匀地拉伸这张地图。边缘会被拉得太薄，从而发生撕裂（误差爆炸）。
新的方法： 你使用一张特殊的“弹性”地图（称为切比雪夫映射或平衡映射）。你拉伸地图的中间部分，同时挤压边缘。这样重新排列了点的位置，使得数学计算保持稳定，即使你在预测很远的未来也是如此。它让预测保持紧凑且准确，防止了“波动”摧毁图像。

结果

通过结合这三个想法——关注大局而非噪声、忽略速度计算、以及通过拉伸时间地图来保持稳定——ResilPhase 生成图像和视频的速度比以前快了 5 倍。

至关重要的是，它不仅变快了，而且变得更好了。当其他快速方法试图追求极致速度时，往往会产生模糊、扭曲或奇怪的图像；而 ResilPhase 即使在极速状态下，也能保持细节锐利、色彩正确。

简而言之： ResilPhase 阻止了 AI 被微小的噪声细节和混乱的数学逻辑所迷惑，让它能够洞察“大局”，从而在极短的时间内生成高质量的艺术作品。

技术摘要：ResilPhase

问题陈述

扩散 Transformer (DiTs) 因其可扩展架构，已成为高保真视觉生成的标准。然而，它们对迭代去噪过程的依赖造成了显著的推理延迟瓶颈，通常需要数十到数百个顺序前向步骤，且这些步骤无法并行化。近期的无训练加速研究已从被动的“缓存-重用”范式转向“缓存-预测”方案，即利用多项式来预测特征轨迹。

尽管取得了这些进展，现有方法在高加速比下仍面临严重的质量退化问题。作者确定了导致这一失败的三个根本原因：

空间不稳定性（Spatial Instability）： 大多数方法依赖于层级预测（layer-wise forecasting），对 Transformer 块内高度不稳定的微观特征进行多项式拟合。这导致预测误差在网络深度方向上呈指数级级联，并产生巨大的内存开销。
时间不稳定性（Temporal Instability / 导数谬误）： 当前的预测方法依赖于基于导数的近似（例如，泰勒级数、埃尔米特多项式）。虽然扩散过程的宏观轨迹是平滑的，但其高阶时间导数本质上是混沌的。通过有限差分来估计这些导数会指数级放大噪声，导致预测发散。
数值不稳定性（Numerical Instability / Runge 现象）： 在均匀离散时间步上进行多项式外推会触发 Runge 现象，导致在激进的加速比下出现不可控的边缘振荡和灾难性的质量下降。

方法论：ResilPhase

作者提出了 ResilPhase，这是一个噪声鲁棒、即插即用的加速框架，它将加速推理重新表述为常微分方程 (ODE) 空间中的稳定宏观轨迹外推。该框架通过以下三个核心组件解决了上述瓶颈：

1. ODE 对齐的宏观轨迹目标（全局漂移）

ResilPhase 不再预测中间层级特征，而是将预测目标转向 全局漂移 (Global Drift, GD)。GD 定义为模型初始输入与最终输出之间的端到端状态位移（ $D(x_t) = G(x_t) - x_t$ ）。

机制： 单个宏观预测器为跳过的步骤预测 GD，并通过将此漂移加回输入来重建最终输出。
益处： 这种方法使外推器与连续概率流 ODE 对齐，严格切断了层级方法中固有的空间级联误差累积。它将误差界限从依赖于网络深度 ( $O((1+L_f)^L)$ ) 降低到了常数级 ( $O(1)$ )，并消除了缓存块特征带来的内存开销。

2. 无导数重心拉格朗日外推器 (Barycentric Lagrange Extrapolator)

为了绕过“导数谬误”（即高阶导数存在噪声的问题），ResilPhase 采用了纯粹的无导数方法。

机制： 该框架利用 重心拉格朗日插值 (Barycentric Lagrange Interpolation)。不同于复杂度为 $O(m^2)$ 的标准拉格朗日插值，重心形式允许预计算并缓存权重，从而将复杂度降低至 $O(m)$ 。
益处： 通过避免对导数的有限差分近似，该方法完全避开了梯度噪声和混沌高阶导数的放大问题，从而在不同的外推间隔下实现了更低且更稳定的预测误差。

3. 即插即用的相位映射 (Phase Mapping)

为了抑制由均匀时间步引起的 Runge 现象导致的数值不稳定性，作者引入了 相位映射 机制。

机制： 该技术将离散时间步 ( $t$ $t$ ) 非线性地投影到有界的相位域 ( $s$ $s$ )。提出了两种特定的映射方式：
- 切比雪夫映射 (Chebyshev Mapping)： 使用切比雪夫节点来投影时间步，最适用于类条件生成。
- 平衡映射 (Balanced Mapping)： 一种数据驱动的自适应策略，使用双曲正切函数根据近期时间步的分布动态限制映射坐标。该方法专为复杂的文本生成图像和文本生成视频任务定制。
益处： 通过重映射外推域，该方法最小化了拉格朗日插值误差界限中的节点相关误差项，有效地将发散的数值问题转化为稳定的预测。

核心贡献

全局漂移目标化： 从层级特征预测转向端到端的全局漂移预测，这消除了空间级联误差和内存开销，同时与连续 ODE 对齐。
无导数外推： 引入了具有噪声鲁棒性、复杂度为 $O(N)$ 的重心拉格朗日外推器，绕过了有限差分近似中固有的噪声和混沌导数。
相位映射机制： 提供了一种基于理论支撑的、即插即用的技术，通过切比雪夫映射或平衡映射来正则化外推域，从而严格最小化多项式外推误差界限并抑制振荡增长。
即插即用稳定器： 证明了相位映射可以集成到现有的基于导数的加速器（如 TaylorSeer、HiCache）中，以提升其稳定性和性能。

实验结果

作者在 FLUX.1-dev（文本生成图像）、HunyuanVideo（文本生成视频）和 DiT-XL/2（ImageNet 类条件生成）上对 ResilPhase 进行了评估。

文本生成图像 (FLUX.1-dev)： ResilPhase 实现了约 4.97× 的加速，同时保持了 1.0258 的 ImageReward，性能优于领先的基准方法 TaylorSeer (0.6241) 超过 60%。其 LPIPS 分数也比 TaylorSeer 低 52%。定性结果显示，在基准方法出现严重伪影的情况下，ResilPhase 仍能保持精细的结构和色彩准确度。
文本生成视频 (HunyuanVideo)： 在约 5× 加速下，ResilPhase 实现了 79.78 的 VBench 分数，且 LPIPS 比 SOTA 方法 TeaCache 低 10%。它保持了时间相干性和语义准确性，而竞争对手则表现出物体模糊和运动畸变。
类条件生成 (ImageNet)： 在 DiT-XL/2 上，ResilPhase 在实现 2.78× 加速 的同时达到了 2.347 的 FID，优于完整的 50 步 DDIM 基准（FID 2.367）。在更激进的 4.41× 加速 下，它保持了 2.832 的 FID，显著优于 SpeCa (FID 6.866) 和 ClusCa (FID 3.251) 等竞争对手。
消融实验： 实验证实，全局漂移目标化优于层级预测，且平衡映射在文本条件任务中优于切比雪夫映射。将相位映射集成到现有加速器中，一致地提高了它们的 ImageReward 并降低了外推误差界限。

意义与主张

论文声称 ResilPhase 建立了推理加速与卓越生成质量之间的新 SOTA 平衡。通过解决现有范式中的空间、时间及数值限制，它实现了 激进的加速比（高达 ~5×） 而不会出现此前观察到的严重质量退化。

作者将 ResilPhase 定位为不仅是一个独立的、高性能的加速器，还是一个 鲁棒的、即插即用的稳定器，可以减轻现有基于导数的加速器的外推误差。这项工作提供了一个稳定宏观轨迹外推的理论与实践框架，为 Diffusion Transformer 的实时化和大规模部署提供了可行路径。