Jano：基于早期收敛感知的自适应扩散生成
计算机视觉与模式识别
2026-03-03 v1
摘要
扩散模型已取得显著进展，但其计算效率仍是重要挑战，尤其是要求强烈全注意力计算的扩散 Transformer（DiT）。虽然现有加速方法聚焦于内容无关的统一优化策略，但我们观察到生成内容中不同区域在去噪过程中呈现出异质的收敛模式。我们提出 Jano，一个无需训练的框架，利用这一洞见实现区域感知的高效生成。Jano 引入早期阶段复杂性识别算法，在初始去噪步骤中准确识别区域收敛需求，并配合自适应 token 调度运行时优化计算资源分配。通过对最新模型进行全面评估，Jano 实现了显著加速（平均加速 2.0 倍，最高达 2.4 倍），同时保持生成质量。我们的工作挑战了传统统一处理假设，为大规模内容生成提供了实用解决方案。实现代码已公开于 https://github.com/chen-yy20/Jano。
引用
@article{arxiv.2603.00519,
title = {Jano: Adaptive Diffusion Generation with Early-stage Convergence Awareness},
author = {Yuyang Chen and Linqian Zeng and Yijin ZHou and Hengjie Li and Jidong Zhai},
journal= {arXiv preprint arXiv:2603.00519},
year = {2026}
}