通过轨迹感知缓存加速修正流模型

扩散和整流流 (RF) 模型可生成高保真图像和视频，但其迭代速度场评估的计算成本很高。现有的缓存方法通过跳过时间步来加速采样，但它们的粗略近似会在较长的跳过间隔内引入累积误差，并在激进的加速下降低质量。我们提出 TACache（轨迹感知缓存），这是一种遵循先跳过后补偿范例的 无需训练 加速框架。 TACache 将沿 RF 轨迹的离散速度加速度正交分解为并行分量和正交残差，从而隔离每步逼近误差的幅度和方向源。该框架分两个阶段运行：幅度和方向指标的离线累积变化阈值产生跳跃时间表并限制每个跳跃间隔可以延伸多远；在线上，在每个跳过的步骤中，离线统计数据与样本的历史正交方向相结合，以重建跳过的速度，而无需额外的模型评估。 BAGEL、FLUX.1-dev 和 Wan2.1-1.3B 上的实验表明，TACache 在文本到图像生成方面实现了高达 4.14 的加速，在文本到视频生成方面实现了 2.11 的加速，并且在所有基于参考的保真度指标上比之前基于缓存的方法有了一致的改进。代码即将发布。