BAG：用于扩散缓存的预算感知门控

扩散缓存是一种轻量级策略，通过在去噪步骤中重用中间特征来加速扩散 Transformer (DiT)，但现有范例面临着一个根本性的权衡：在线启发式缺乏全局预算意识，而静态调度缺乏实例适应性，无法灵活适应不同的运行时预算约束。为了弥补这一差距，我们提出了 BAG（预算感知门控），这是一种新颖的缓存策略，它将全局预算节奏与动态、实例自适应功能重用相结合。 BAG 不依赖手工制定的规则，而是采用轻量级门控网络，通过联合调节预算状态和本地轨迹反馈，动态决定是执行完整计算还是在每一步重用缓存的特征。我们通过离线到在线时间表 蒸馏 来训练该策略，将离线搜索时间表的决策转移到紧凑的在线门中。在 FLUX.1-dev、Wan2.1 和 Qwen-Image-2512 上进行的大量实验表明，BAG 在各个加速层上始终优于最先进的缓存方法，同时在不同的分辨率、种子和制导尺度上保持稳健。代码将被发布。