ReCache：通过 REINFORCE 学习扩散模型的预算感知缓存计划

现代扩散模型可以生成高质量的图像和视频，但其迭代去噪过程使得推理成本高昂。特征缓存通过重用或预测相邻去噪步骤的中间激活，利用沿反向轨迹的计算冗余来加速采样。在这项工作中，我们关注缓存计划：选择应该完全重新计算哪些去噪步骤。现有的调度要么是固定的（例如统一的），要么是根据每步错误启发法自适应选择的；在这两种情况下，实际的计算成本都是手动调整阈值的副作用，而不是用户可以指定的数量。我们提出了 ReCache，它反转了这一点：给定目标预算 k，它学习最大化生成质量的重新计算时间表，将计算变成直接可控的输入。 ReCache 通过策略梯度进行训练，通过完全扩散推理回避反向传播，并且不使用标记数据。来自未缓存推理的生成充当匹配目标，并与生成质量的奖励配对。 ReCache兼容任何缓存机制，包括特征重用和特征预测；对于每种机制，单个经过训练的策略会在推理时适应计算预算。 ReCache 始终优于调度基准：与 DiCache 相比，在 FLUX 减少 $\times5.04$ FLOPs 的情况下，它使 LPIPS 减少了 31%（从 0.456 到 0.316）；在 Wan 2.1 上，以 $\sim \times2.6$ 加速，与统一的 HiCache 相比，它使 LPIPS 降低了 65%（从 0.480 到 0.169），并将 VBench 分数提高了 7%（5.6 分，从 70.4 到 76.0）。代码可在 https://github.com/thecrazymage/ReCache 获取。