基于误差反馈事件驱动缓存加速频域扩散模型
机器学习
2026-04-28 v1
摘要
扩散模型在时间序列生成中取得了显著的成功。然而，慢速推理限制了其实际部署。我们提出 E-CRF（Error-Feedback Event-Driven Cumulative Residual Feature 缓存）以加速频域扩散模型。我们的方法利用了两个结构特性：（1）谱局部化，即信号能量集中在低频率，（2）镜像对称性，可减半有效频率维度。E-CRF 使用闭环误差反馈系统在扩散步骤之间自适应缓存 transformer KV 特征。我们使用事件驱动残差动力学而非固定计划触发重新计算。该方法在选择性重新计算高能量或快速变化的标记时，同时重用稳定的高频分量的缓存特征。E-CRF 实现约2.2倍的加速，同时保持样本质量。我们在5个数据集上展示了有效性。我们的缓存策略自然地与扩散过程的结构到细节进展相吻合。我们在标准正则性假设下（附录）提供了充分条件误差和复杂度界限，同时进行经验验证。我们的代码可在 https://github.com/NoakLiu/FastFourierDiffusion 获取，并集成在 https://github.com/NoakLiu/FastCache-xDiT 中。
引用
@article{arxiv.2604.22901,
title = {Accelerating Frequency Domain Diffusion Models with Error-Feedback Event-Driven Caching},
author = {Dong Liu and Haisheng Wang and Yanxuan Yu},
journal= {arXiv preprint arXiv:2604.22901},
year = {2026}
}