VDE：无需训练 通过速度分解和估计加速整流流模型

尽管整流流模型在图像、视频和 3D 生成方面取得了显着的性能，但其实际部署受到推理速度缓慢的挑战。先前的加速方法重用先前步骤中的缓存特征，忽略了静态缓存和不断变化的输入之间日益增长的不匹配，导致输出保真度降低。这项工作提出了速度分解和估计（VDE），这是一种 无需训练 加速方法，它将范式从缓存和重用转变为分解和估计。具体来说，VDE 将模型的速度分解为与输入平行和正交的分量，利用它们的时间可预测性和方向稳定性来进行精确的输入自适应估计。为了防止错误累积，它通过完整的前向传播定期锚定模型的状态。对图像和视频生成任务的大量实验表明，VDE 在视觉质量损失最小的情况下实现了显着的加速。值得注意的是，VDE 将 Flux 加速了 3.22 倍，并在 Qwen-Image 上实现了 0.069 的 LPIPS，比最佳基线降低了 52.2%。