HiCache：用于Taylor式缓存式扩散加速的插件式Scaled-Hermite升级
计算机视觉与模式识别
2026-01-27 v2
摘要
扩散模型在内容生成方面取得了显著的成功，但由于迭代采样往往导致计算成本的高企。最近的特征缓存方法通过时域外推加速推理，但可能因对特征演化复杂动力学的不准确建模而导致质量下降。我们提出HiCache(基于Hermite多项式的特征缓存)，这是一种无需训练的加速框架，通过将数学工具与经验属性相结合来改进特征预测。我们的关键洞察是，扩散Transformer中的特征导数近似值表现出多变量高斯特征，这激励将Hermite多项式作为高斯相关过程的潜在最佳基函数。我们进一步引入双缩放机制，确保数值稳定性，同时保持预测精度，并且在独立使用或集成到TaylorSeer时同样有效。广泛实验表明HiCache的优越性，在FLUX.1-dev上实现5.55倍加速，同时匹配或超过基线质量，并在文本到图像、视频生成和超分辨率任务中保持强性能。此外，HiCache可以自然地添加到之前的缓存方法中来增强其性能，例如将ClusCa的图像奖励从0.9480提高到0.9840。代码：https://github.com/fenglang918/HiCache
关键词
引用
@article{arxiv.2508.16984,
title = {HiCache: A Plug-in Scaled-Hermite Upgrade for Taylor-Style Cache-then-Forecast Diffusion Acceleration},
author = {Liang Feng and Shikang Zheng and Jiacheng Liu and Yuqi Lin and Qinming Zhou and Peiliang Cai and Xinyu Wang and Junjie Chen and Chang Zou and Yue Ma and Linfeng Zhang},
journal= {arXiv preprint arXiv:2508.16984},
year = {2026}
}