SelfLift：通过自恢复分辨率转换加速少步扩散

少步扩散模型大大压缩了时间计算，使得每个模型评估的空间成本成为推理延迟的日益主要来源。渐进分辨率推理通过在低分辨率下执行早期去噪并保留高分辨率计算以进行细化来降低此成本。然而，现有的方法通常直接提升中间潜伏并依赖后续步骤来吸收引起的分布失配。在少步机制中，有限的恢复预算使这些错误成为可见的伪影，限制了转换发生的时间，从而限制了转换的执行效率。我们引入了 SelfLift，一种自我恢复的渐进式分辨率框架，它从生成模型本身导出转换修复信号和轨迹对齐监督。 SelfLift-zero 提出了 无需训练 伪影感知一致性提升，利用直接潜在提升和像素 VAE 重新编码之间的差异作为局部伪影风险信号和模型本机校正方向。它可以实现可靠的后期转换，而无需外部超分辨率、额外的降噪器评估或采样计划修改。在此稳健转变的基础上，SelfLift-rich 对学生访问的州执行 同策略 自我恢复，从内部自学教师传输密集的高分辨率指导，同时保持与改变的渐进分辨率动态保持一致。在 FLUX.2-Klein 和 Z-Image-Turbo 中，SelfLift 分别将端到端延迟减少了 41.5% 和 44.1%。与时间步 蒸馏 相结合，它比相应的 50 步模型提供了 29.61 倍和 19.21 倍的整体加速，同时保持有竞争力的生成质量，为少步扩散建立了更强的速度质量前沿。