BAG: Budget-Aware Gating for Diffusion Caching
本文介绍了 BAG（预算感知门控），一种用于 Diffusion Transformer 的新型缓存策略，它通过经由调度蒸馏训练的轻量级门控网络，动态地在全局预算约束与实例自适应特征复用之间取得平衡，从而在加速 FLUX.1-dev 和 Wan2.1 等扩散模型方面超越了现有方法。
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，你正试图创作一幅杰作，但你使用的不是画笔，而是一个必须通过 50 个微小步骤才能完成画作的超级智能机器人。每一步都涉及机器人的深度思考、观察画布并决定下一步添加什么颜色。这就是现代人工智能生成图像和视频的方式：它从一个模糊的噪声开始，并逐渐将其“去噪”成清晰的图像。问题在于，走完 50 步既慢又昂贵，就像雇佣一个机器人横跨整个国家只为了画一朵小花。
为了提高速度，科学家们尝试了两种主要的技巧。第一种就像一位严格的老师，无论机器人在做什么，都会说：“你必须每 5 步休息一次。”这种方法很快，但有时机器人正需要深入思考，而休息却破坏了画作。第二种技巧就像一个学生，他会说：“只有当画面看起来变化很大时，我才会停下来，”而不会去检查还剩多少时间。这种方法能适应画面，但学生可能会在完成之前耗尽时间，或者在简单的部分浪费精力。这两种方法都有一个缺陷：它们无法同时看到时间和精力的全局图景。
这就是西湖人工智能实验室（Westlake AGI Lab）的新论文《BAG：用于扩散缓存的预算感知门控》（BAG: Budget-Aware Gating for Diffusion Caching）所要解决的问题。研究人员为机器人构建了一个微型且超级智能的“交通控制器”。这个控制器不再遵循僵化的计划，也不再仅仅根据单一线索进行猜测，而是会在每一步观察两件事：“能量”（或计算步骤）还剩多少，以及当前的画面实际变化了多少。它通过大量的离线练习进行学习，从而精准掌握何时可以走捷径（复用之前的计算结果），以及何时需要进行完整的计算。
研究发现，这个新的“交通控制器”比旧的方法要好得多。在对强大的图像和视频生成器进行测试时，即使在被迫使用完全相同的计算能力的情况下，BAG 系统生成的图像和视频也始终比现有的最佳快捷方法更清晰、更准确。它在不损失质量的前提下，比标准方法快了约 5 倍，并且无论用户想要快速的草图还是缓慢的细节杰作，它都能完美运行。研究人员展示了通过教导系统平衡“预算”与画面的“情绪”，我们可以获得两全其美的结果：既有速度，又没有混乱。
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。