FreqCache：通过自适应频率引导词元缓存加速体现 VLN 模型

视觉语言导航（VLN）模型表现出出色的导航精度，但会产生较高的计算开销。词元缓存已成为一种有前景的 无需训练 策略，通过重用词元计算结果来降低成本；然而，现有的词元缓存方法依赖于视觉域方法来进行可缓存词元选择，这在适应 VLN 模型时会带来挑战。 1）当存在视点迁移时，视域方法失效。 2）视觉域方法忽略关键边缘信息，无需额外算法的帮助。 3）视觉域方法忽略了场景的时间变化并且缺乏缓存预算的可调整性。在本文中，我们进行了详细的分析，发现这些挑战的影响在频域中表现出不变性和可分析性。基于这些，我们提出了一个频率引导的词元缓存框架，称为FreqCache。 FreqCache利用频域的固有特性，实现最优的词元缓存建立、刷新和自适应调整。实验表明，FreqCache 在可忽略的开销下实现了 1.59 倍的加速，展示了在 VLN 词元缓存中集成频域方法的效果。