כתבה
arXiv cs.AI ·
שיפור ביצועים של Diffusion Transformers
Rethinking What to Cache in Few-Step Diffusion Transformers: Solver-Aware Target Selection
חוקרים הצליחו לשפר ביצועים של Diffusion Transformers על ידי בחירה מושכלת של מה לקשור. השיטה החדשה, AutoTarget, מודדת את השגיאה המושגת מחידוש כל טנזור מועמד ובוחרת את האחד עם השגיאה הנמוכה ביותר. הניסויים הראו ש-AutoTarget מפחית את מספר ה-DiT evaluations ואת האחסון המוחזר, תוך שמירה על איכות הדוגמאות.
תקציר מקורי באנגליתarXiv:2610.03577v1 Announce Type: cross Abstract: Diffusion Transformers (DiTs) can generate high-quality images and videos, but generating each sample requires multiple costly DiT forward passes. Two common ways to accelerate DiT sampling are step distillation, which reduces the number of sampling steps, and caching, which skips some DiT evaluations by reusing a tensor computed at an earlier step. Most caching methods decide in advance which tensor to reuse. After distillation, adjacent sampling steps are farther apart. Reusing a tensor across this larger gap introduces more error, so choosing what to cache becomes especially important. We therefore introduce AutoTarget, a method that chooses the cached tensor for a given model, solver, and reuse schedule. AutoTarget uses a small set of r
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית