ZEUS：仅使用二阶预测器加速扩散模型
机器学习
2026-04-03 v1
摘要
去噪生成模型在保证高保真生成方面表现突出，但由于在采样过程中需要进行大量迭代去噪调用，推理延迟仍是主要瓶颈。训练自由的加速方法通过稀疏化模型结构或缩短采样轨迹来降低延迟。当前的训练自由加速方法不够简洁：高阶预测器在激进加速下会放大误差，结构性修改也阻碍部署。超出2倍加速后，步长跳过导致结构性匮乏——每个局部窗口中最多只有一次新的评估，计算输出及其后向差分是唯一因果依据的信息。基于此，我们提出ZEUS，一种使用二阶预测器预测减少去噪调用的方法，通过交错方案稳定激进连续跳过，避免连续外推。ZEUS几乎没有额外开销，不需要特征缓存，也不需要结构性修改，兼容不同的主干网络、预测目标和求解器选择。在图像和视频生成上，ZEUS始终优于最近的训练自由基准实现速度-保真度性能，实现了最高可达3.2倍的端到端加速，同时保持感知质量。我们的代码可在 https://github.com/Ting-Justin-Jiang/ZEUS 获取。
引用
@article{arxiv.2604.01552,
title = {ZEUS: Accelerating Diffusion Models with Only Second-Order Predictor},
author = {Yixiao Wang and Ting Jiang and Zishan Shao and Hancheng Ye and Jingwei Sun and Mingyuan Ma and Jianyi Zhang and Yiran Chen and Hai Li},
journal= {arXiv preprint arXiv:2604.01552},
year = {2026}
}