从局部失配到全局影响：面向高效扩散的缓存复用策略优化

扩散模型在视觉生成中取得了主导性能，但承受着可观的推理开销。尽管基于缓存的加速已成为有前景的方案，现有策略依赖局部相似性启发式，而我们发现这与最终生成质量显著不对齐。这种偏差源于误差沿去噪轨迹的非均匀传播与累积。为此，我们提出 Global-Impact Cache（GCache）。我们首先建立了误差传播上界的严格理论刻画。考虑到该上界对复杂、高度非凸的扩散模型可能过于保守，我们进一步用 Bernstein 形式重参数化传播指数，并把缓存策略搜索重构为双层优化问题。具体而言，GCache 在内层目标中寻找最优复用策略，同时在外层目标中使误差加权函数与生成质量损失对齐。该框架有效调和了理论严谨性与经验性能，学会把算力优先分配到对视觉保真度影响最大的地方。大量实验表明，GCache 在视频与图像生成上均持续优于先前的缓存策略。值得注意的是，在最先进的 Wan2.1 视频扩散模型上，GCache 在保持 2.17 倍加速的同时显著提升生成质量，将 LPIPS 从 0.1095 降至 0.0316。