图像生成

Diffusion Sampling with Momentum for Mitigating Divergence Artifacts

Suttisak Wizadwongsa, Worameth Chinchuthakun, Pramook Khungurn, Amit Raj, Supasorn Suwajanakorn

专题命中 效率与蒸馏 ：diffusion(title,abstract)；image generation(abstract)；分类 cs.CV

Comments Project page: https://github.com/sWizad/momentum-diffusion

Adversarial Concept Distillation for One-Step Diffusion Personalization

对抗概念蒸馏用于一步扩散个性化

Yixiong Yang, Tao Wu, Senmao Li, Shiqi Yang, Yaxing Wang, Joost van de Weijer, Kai Wang

机构 * Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳）） ； Computer Vision Center（计算机视觉中心） ； Universitat Autònoma de Barcelona（巴塞罗那自治大学） ； VCIP, CS, Nankai University（南开大学计算机学院视觉计算与智能感知实验室） ； Program of Computer Science, City University of Hong Kong (Dongguan)（香港城市大学（东莞）计算机科学项目） ； City University of Hong Kong（香港城市大学） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 本文提出OPAD框架，结合教师-学生蒸馏与对抗监督，通过多步扩散模型作为教师，一步学生模型联合训练，以实现一步扩散模型的高效个性化。

Comments Accepted to CVPR 2026 Findings

Q-Sched: Pushing the Boundaries of Few-Step Diffusion Models with Quantization-Aware Scheduling

Q-Sched: 推动少步扩散模型的边界，通过量化感知调度

Natalia Frumkin, Diana Marculescu

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 Q-Sched通过量化感知调度器改进少步扩散模型，实现模型大小减少4倍并提升生成质量

Journal ref ICML 2026

Multi-Resolution Flow Matching: Training-Free Diffusion Acceleration via Staged Sampling

多分辨率流匹配：通过分阶段采样实现无训练扩散加速

Xingyu Zheng, Xianglong Liu, Yifu Ding, Weilun Feng, Junqing Lin, Jinyang Guo, Haotong Qin

机构 * State Key Laboratory of Complex & Critical Software Environment, Beihang University（北京航空航天大学复杂关键软件环境国家重点实验室） ； School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院） ； Nanyang Technological University（南洋理工大学） ； State Key Laboratory of AI Safety, Institute of Computing Technology, Chinese Academy of Sciences（中国科学院计算技术研究所人工智能安全国家重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； University of Science and Technology of China（中国科学技术大学） ； School of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院） ； ETH Zürich（苏黎世联邦理工学院） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 提出MrFlow，一种基于分阶段低到高分辨率管道的无训练多分辨率加速策略，利用低分辨率采样减少计算量，像素空间超分辨率和高频重采样保持质量，实现10倍加速且质量损失小于1%。

Comments The code is available at https://github.com/Xingyu-Zheng/MrFlow

High-Fidelity Two-Step Image Generation via Teacher-Aligned End-to-End Distillation

高保真两步图像生成：通过教师对齐的端到端蒸馏

Dongyang Liu, Ruoyi Du, David Liu, Dengyang Jiang, Liangchen Li, Qilong Wu, Zhen Li, Steven C. H. Hoi, Hongsheng Li, Peng Gao

机构 * Z-Image Team, Alibaba Group（阿里巴巴集团Z-Image团队） ； The Chinese University of Hong Kong（香港中文大学） 纠错

专题命中 效率与蒸馏 ：image generation(title,abstract)；diffusion(abstract)；分类 cs.CV

AI总结 提出Z-Image Turbo++，通过分布对齐对抗学习、步解耦参数化和迭代正则化端到端训练，将8步教师模型蒸馏为2步生成模型，显著缩小质量差距。

One-Step Residual Shifting Diffusion for Image Super-Resolution via Distillation

一步残差移位扩散用于图像超分辨率通过蒸馏

Daniil Selikhanovych, David Li, Aleksei Leonov, Nikita Gushchin, Sergei Kushneriuk, Alexander Filippov, Evgeny Burnaev, Iaroslav Koshelev, Alexander Korotin

机构 * Kandinsky Lab（坎迪斯基实验室） ； Mohamed bin Zayed University of Artificial Intelligence（穆罕默德·本·扎耶德人工智能大学） ； Luzin Research Center（卢津研究所） ； Moscow Independent Research Institute of Artificial Intelligence（莫斯科独立人工智能研究 institute） ； Applied AI Institute（应用人工智能研究所） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 提出RSD蒸馏方法，通过训练学生网络使基于其生成图像的虚拟ResShift模型与教师一致，实现单步超分辨率，在感知指标上超越教师和SinSR，且参数和计算成本更低。

Comments ICML-2026

Multi-Scale Local Speculative Decoding for Image Generation

多尺度局部推测解码用于图像生成

Elia Peruzzo, Guillaume Sautière, Amirhossein Habibian

机构 * Qualcomm AI Research（高通人工智能研究） 纠错

专题命中 效率与蒸馏 ：image generation(title,abstract)；image synthesis(abstract)；分类 cs.CV

AI总结 提出多尺度局部推测解码（MuLo-SD）框架，通过低分辨率草稿模型与高分辨率目标模型结合、局部拒绝与重采样机制，加速自回归图像生成，实现高达5倍加速并保持语义对齐和感知质量。

Comments Accepted at CVPR 2026

Stabilizing, Scaling & Enhancing MeanFlow for Large-scale Diffusion Distillation

稳定、扩展与增强MeanFlow用于大规模扩散蒸馏

Xiao He, Yang Li, Peizhen Zhang, Songtao Liu, Zhao Zhong, Nannan Wang

机构 * State Key Laboratory of Integrated Services Networks（信息服务网络国家重点实验室） ； Xidian University（西安电子科技大学） ； Tencent Hunyuan（腾讯文英） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 本文提出了一种稳定MeanFlow的方法，通过引入暖启动技术并结合轨迹分布对齐，提高了大规模工业模型蒸馏的性能和泛化能力。

Comments 10 pages

DiRotQ: Rotation-Aware Quantization for 4-bit Diffusion Transformers

DiRotQ：面向4位扩散变换器的旋转感知量化

Sayeh Sharify, Mahsa Salmani, Hesham Mostafa

机构 * d-Matrix 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)；image generation(abstract)；分类 cs.CV

AI总结 本文提出DiRotQ，一种W4A4量化框架，通过旋转感知激活量化缓解扩散变换器在4位精度下的性能下降问题，同时引入VLM-as-a-Judge评估协议和Triton定制内核提升压缩下的效率与质量。

One-step Latent-free Image Generation with Pixel Mean Flows

无需潜在变量的一步图像生成：像素均值流

Yiyang Lu, Susie Lu, Qiao Sun, Hanhong Zhao, Zhicheng Jiang, Xianbang Wang, Tianhong Li, Zhengyang Geng, Kaiming He

机构 * MIT（麻省理工学院） 纠错

专题命中 效率与蒸馏 ：image generation(title,abstract)；diffusion(abstract)；分类 cs.CV

AI总结 本文提出像素均值流(pMF)，通过分离网络输出空间与损失空间，实现无需潜在变量的一步图像生成，在ImageNet上取得优异结果。

Comments Tech report. Code at https://github.com/Lyy-iiis/pMF

LENS: Low-Frequency Eigen Noise Shaping for Efficient Diffusion Sampling

LENS：低频特征噪声塑造用于高效扩散采样

Haewon Jeon, Si-Hyeon Lee

机构 * School of Electrical Engineering（电气工程学院） ； Korea Advanced Institute of Science and Technology（韩国科学技术院） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)；image generation(abstract)；分类 cs.CV

AI总结 本文提出LENS方法，通过在低维子空间中高效调节噪声，提升扩散采样效率，减少计算量和参数，同时保持图像质量。

Comments 27 pages, 7 figures

Continuous-Time Distribution Matching for Few-Step Diffusion Distillation

连续时间分布匹配用于少步扩散蒸馏

Tao Liu, Hao Yan, Mengting Chen, Taihang Hu, Zhengrong Yue, Zihao Pan, Jinsong Lan, Xiaoyong Zhu, Ming-Ming Cheng, Bo Zheng, Yaxing Wang

机构 * VCIP, College of Computer Science, Nankai University（南开大学计算机科学学院VCIP） ； Alibaba Group（阿里巴巴集团） ； College of Artificial Intelligence, Jilin University（吉林大学人工智能学院） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)；image generation(abstract)；分类 cs.CV

AI总结 本文提出连续时间分布匹配（CDM），通过动态连续调度和连续时间对齐目标，改进少步扩散蒸馏，提升图像生成的视觉保真度，无需复杂辅助模块。

Comments 22pages, 9 figures

Extending One-Step Image Generation from Class Labels to Text via Discriminative Text Representation

通过判别性文本表示将一类标签的一步图像生成扩展到文本

Chenxi Zhao, Chen Zhu, Xiaokun Feng, Aiming Hao, Jiashu Zhu, Jiachen Lei, Jiahong Wu, Xiangxiang Chu, Jufeng Yang

专题命中 效率与蒸馏 ：image generation(title,abstract)；diffusion(abstract)；分类 cs.CV

AI总结 本文提出通过判别性文本表示将MeanFlow框架从固定类标签扩展到灵活文本输入，提升生成内容的丰富性，并在扩散模型上验证了方法的有效性。

Comments CVPR2026

DisCa: Accelerating Video Diffusion Transformers with Distillation-Compatible Learnable Feature Caching

DisCa：通过与知识蒸馏兼容的可学习特征缓存加速视频扩散变换器

Chang Zou, Changlin Li, Yang Li, Patrol Li, Jianbing Wu, Xiao He, Songtao Liu, Zhao Zhong, Kailin Huang, Linfeng Zhang

机构 * Shanghai Jiao Tong University（上海交通大学） ； Tencent Hunyuan（腾讯文英） ； Xidian University（西安电子科技大学） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)；image generation(abstract)；分类 cs.CV

AI总结 本文提出一种与知识蒸馏兼容的可学习特征缓存机制，用于加速视频扩散变换器，通过轻量级可学习神经预测器提升高维特征演化过程的准确性，并采用保守的受限均值流方法实现更稳定无损的知识蒸馏，从而将加速边界推至11.8倍同时保持生成质量。

Comments 18 pages, 8 figures; cvpr2026 paper

dMLLM-TTS: Self-Verified and Efficient Test-Time Scaling for Diffusion Multi-Modal Large Language Models

dMLLM-TTS：用于扩散多模态大语言模型的自验证和高效测试时间扩展

Yi Xin, Siqi Luo, Tianxiang Xu, Qi Qin, Haoxing Chen, Kaiwen Zhu, Zhiwei Zhang, Yangfan He, Rongchao Zhang, Jinbin Bai, Shuo Cao, Bin Fu, Junjun He, Yihao Liu, Yuewen Cao, Xiaohong Liu

机构 * Nanjing University（南京大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shanghai AI Lab（上海人工智能实验室） ； Shanghai Jiao Tong University（上海交通大学） ； Peking University（北京大学） ； National University of Singapore（新加坡国立大学） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)；image generation(abstract)；分类 cs.CV

AI总结 本文提出dMLLM-TTS框架，通过轨迹探索扩展和迭代细化扩展两个互补的扩展轴，提升生成多样性和稳定性，同时通过自验证机制提高效率，实验表明在GenEval基准上生成质量显著提升且效率提高6倍。

Comments Project page: https://github.com/Alpha-VLLM/Lumina-DiMOO

CIAR: Interval-based Collaborative Decoding for Image Generation Acceleration

基于区间的方法：用于图像生成加速的协作解码

Keming Ye, Zhou Zhao, Fan Wu, Shengyu Zhang

机构 * Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 效率与蒸馏 ：image generation(title,abstract)；diffusion(abstract)；分类 cs.CV

AI总结 本文提出CIAR框架，通过设备端自验证处理图像生成中的大词汇量和空间冗余问题，采用连续概率区间加速处理并保持图像质量，实验显示在速度和云请求减少方面优于现有方法。

Comments 23 pages, 10 tables, 7 figures

Verifier Threshold: An Efficient Test-Time Scaling Approach for Image Generation

验证阈值：一种高效的测试时间扩展方法用于图像生成

Vignesh Sundaresha, Akash Haridas, Vikram Appia, Lav R. Varshney

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； AMD（超威半导体公司） ； Stony Brook University（石溪大学） 纠错

专题命中 效率与蒸馏 ：image generation(title,abstract)；diffusion(abstract)；分类 cs.CV

AI总结 本文提出Verifier-Threshold方法，通过自动重新分配测试时间计算，提升图像生成模型的效率，在GenEval基准上实现2-4倍的计算时间减少。

Comments ICLR 2026 ReALM-Gen and DeLTa

Memory-Efficient Fine-Tuning Diffusion Transformers via Dynamic Patch Sampling and Block Skipping

通过动态补丁采样和块跳过实现高效的扩散变换器微调

Sunghyun Park, Jeongho Kim, Hyoungwoo Park, Debasmit Das, Sungrack Yun, Munawar Hayat, Jaegul Choo, Fatih Porikli, Seokeon Choi

机构 * Qualcomm AI Research（高通人工智能研究） ； KAIST（韩国科学技术院） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 本文提出DiT-BlockSkip框架，通过动态补丁采样和块跳过减少内存使用，提升扩散变换器微调效率，实现设备端部署。

Comments Accepted to CVPR 2026; 20 pages

Q-Drift: Quantization-Aware Drift Correction for Diffusion Model Sampling

Q-Drift：扩散模型采样中的量化感知漂移校正

Sooyoung Ryu, Mathieu Salzmann, Saqib Javed

机构 * Department of Computer Science and Engineering, Seoul National University, Seoul, South Korea（计算机科学与工程系，首尔国立大学，韩国首尔） ； School of Computer and Communication Sciences, EPFL, Lausanne, Switzerland（计算机与通信科学学院，瑞士洛桑联邦理工学院） ； Meta Reality Labs, Redmond, USA（Meta现实实验室，美国西雅图） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 本文提出Q-Drift，一种在采样端校正量化噪声的方法，通过将量化误差视为隐含的随机扰动，提升扩散模型生成质量，实验显示在多种模型和方法上均有效。

Comments 29 pages, 6 figures

Just-in-Time: Training-Free Spatial Acceleration for Diffusion Transformers

即时加速：扩散变换器的无训练空间加速

Wenhao Sun, Ji Li, Zhaoqiang Liu

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Capital Normal University（首都师范大学） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)；image synthesis(abstract)；分类 cs.CV

AI总结 本文提出JiT框架，通过空间域加速解决扩散变换器的高计算成本问题，实现7倍加速且性能接近无损，优于现有方法。

Comments Accepted by CVPR2026. Project Page: https://wenhao-sun77.github.io/JiT/

LowDiff: Efficient Diffusion Sampling with Low-Resolution Condition

LowDiff: 基于低分辨率条件的高效扩散采样

Jiuyi Xu, Qing Jin, Meida Chen, Andrew Feng, Yang Sui, Yangming Shi

机构 * Colorado School of Mines（科罗拉多矿学院） ； Independent Researcher（独立研究者） ； University of Southern California Institute for Creative Technologies（南加州大学创意技术研究所） ； Rice University（里士满大学） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)；image generation(abstract)；分类 cs.CV

AI总结 LowDiff通过级联方法生成逐步提升的高分辨率图像，利用统一模型逐步细化图像，实现更高效的扩散采样，提升生成效率和质量。

Comments 16 pages, 7 figures, 12 tables

WaDi: Weight Direction-aware Distillation for One-step Image Synthesis

WaDi：基于权重方向的扩散模型一步图像合成知识蒸馏

Lei Wang, Yang Cheng, Senmao Li, Ge Wu, Yaxing Wang, Jian Yang

专题命中 效率与蒸馏 ：image synthesis(title)；image generation(abstract)；diffusion(abstract)；分类 cs.CV

AI总结 WaDi通过LoRaD方法实现一步扩散模型蒸馏，以更高效的方式生成图像，同时保持高质量输出。

Comments Accepted to CVPR 2026;Code:https://github.com/gudaochangsheng/WaDi

Scale-wise Distillation of Diffusion Models

扩散模型的分层蒸馏

Nikita Starodubcev, Ilya Drobyshevskiy, Denis Kuznedelev, Artem Babenko, Dmitry Baranchuk

机构 * Yandex Research（Yandex研究院） ； HSE University（俄罗斯高等经济大学） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 SwD通过分层蒸馏框架提升扩散模型效率，引入MMD补丁级目标改进收敛性，实现更快采样和更高性能

Effective and Efficient Masked Image Generation Models

高效的高效掩码图像生成模型

Zebin You, Jingyang Ou, Xiaolu Zhang, Jun Hu, Jun Zhou, Chongxuan Li

机构 * Gaoling School of Artificial Intelligence, Renmin University of China, Beijing, China.（中国人民大学人工智能学院） ； Beijing Key Laboratory of Research on Large Models（北京大型模型研究关键实验室） ； Engineering Research Center of Next-Generation Intelligent Search（下一代智能搜索工程研究中心） 纠错

专题命中 效率与蒸馏 ：image generation(title,abstract)；diffusion(abstract)；分类 cs.CV

AI总结 eMIGM通过统一掩码图像生成与扩散模型，实现了在ImageNet生成任务中更高的性能和效率。

Gradient-Aligned Calibration for Post-Training Quantization of Diffusion Models

梯度对齐校准用于扩散模型的后训练量化

Dung Anh Hoang, Cuong Pham anh Trung Le, Jianfei Cai, Thanh-Toan Do

机构 * Department of Data Science and AI, Monash University Australia（数据科学与人工智能系，墨尔本大学） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)；image synthesis(abstract)；分类 cs.CV

AI总结 本文提出了一种梯度对齐校准的后训练量化方法，通过为校准样本分配最优权重，提升扩散模型的量化性能。

Accelerating Masked Image Generation by Learning Latent Controlled Dynamics

通过学习潜在控制动力学加速掩码图像生成

Kaiwen Zhu, Quansheng Zeng, Yuandong Pu, Shuo Cao, Xiaohui Li, Yi Xin, Qi Qin, Jiayang Li, Yu Qiao, Jinjin Gu, Yihao Liu

机构 * Shanghai Jiao Tong University, Shanghai, China（上海交通大学） ； Shanghai Artificial Intelligence Laboratory, Shanghai, China（上海人工智能实验室） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院） ； Nankai University, Tianjin, China（南开大学） ； University of Science（科学技术大学） ； Nanjing University, Nanjing, China（南京大学） ； The University of Sydney, Sydney, Australia（悉尼大学） ； Peking University, Beijing, China（北京大学） 纠错

专题命中 效率与蒸馏 ：image generation(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 本文提出MIGM-Shortcut模型，通过学习潜在控制动力学加速掩码图像生成，在保持质量的同时实现文本到图像生成的四倍加速。

Aligning Few-Step Diffusion Models with Dense Reward Difference Learning

对齐少步扩散模型与密集奖励差学习

Ziyi Zhang, Li Shen, Sen Zhang, Deheng Ye, Yong Luo, Miaojing Shi, Dongjing Shan, Bo Du, Dacheng Tao

机构 * School of Computer Science, National Engineering Research Center for Multimedia Software and Hubei Key Laboratory of Multimedia and Network Communication Engineering, Wuhan University（计算机学院、多媒体软件国家工程研究中心和多媒体与网络通信工程湖北省重点实验室、武汉大学） ； School of Cyber Science and Technology, Shenzhen Campus of Sun Yat-sen University（网络安全科学与技术学院、中山大学深圳校区） ； TikTok, ByteDance（TikTok、字节跳动） ； Tencent Inc.（腾讯公司） ； College of Electronic and Information Engineering, Tongji University（电子信息工程学院、同济大学） ； School of Medical Information and Engineering, Southwest Medical University（医学信息与工程学院、西南医科大学） ； College of Computing and Data Science and the Generative AI Lab at Nanyang Technological University（计算与数据科学学院和南洋理工大学生成式AI实验室） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)；image synthesis(abstract)；分类 cs.CV

AI总结 SDPO通过双状态轨迹采样和密集奖励差学习，提升少步扩散模型在低步数下的对齐性能和优化效率。

Comments Accepted by IEEE TPAMI

Journal ref IEEE Transactions on Pattern Analysis and Machine Intelligence, 2026

MedVAR: Towards Scalable and Efficient Medical Image Generation via Next-scale Autoregressive Prediction

MedVAR：通过下一步尺度自回归预测实现可扩展和高效的医学图像生成

Zhicheng He, Yunpeng Zhao, Junde Wu, Ziwei Niu, Zijun Li, Bohan Li, Lanfen Lin, Yueming Jin

机构 * National University of Singapore（新加坡国立大学） ； University of Oxford（牛津大学） ； Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 效率与蒸馏 ：image generation(title,abstract)；image synthesis(abstract)；分类 cs.CV

AI总结 MedVAR通过下一步尺度自回归预测方法，实现了高效且可扩展的医学图像生成，为医学生成基础模型提供了新的方向。

Comments 23 pages, 8 figures

Efficient Generative Modeling beyond Memoryless Diffusion via Adjoint Schrödinger Bridge Matching

通过伴随Schrödinger桥匹配实现超越记忆扩散的高效生成建模

Jeongwoo Shin, Jinhwan Sul, Joonseok Lee, Jaewong Choi, Jaemoo Choi

机构 * Seoul National University（首尔国立大学） ； Georgia Institute of Technology（佐治亚理工学院） ； Sungkyunkwan University（松山大学） 纠错

专题命中 效率与蒸馏 ：diffusion(title,abstract)；image generation(abstract)；分类 cs.CV

AI总结 ASBM通过优化轨迹生成提升高维数据生成的稳定性和效率，减少采样步骤提高图像生成保真度。

HiCache: A Plug-in Scaled-Hermite Upgrade for Taylor-Style Cache-then-Forecast Diffusion Acceleration

HiCache: 一种基于赫尔米特多项式的插件式泰勒风格缓存加速框架

Liang Feng, Shikang Zheng, Jiacheng Liu, Yuqi Lin, Qinming Zhou, Peiliang Cai, Xinyu Wang, Junjie Chen, Chang Zou, Yue Ma, Linfeng Zhang

专题命中 效率与蒸馏 ：diffusion(title,abstract)；text-to-image(abstract)；分类 cs.CV

AI总结 HiCache通过基于赫尔米特多项式的插件式方法，提升扩散模型的推理速度和预测精度，实现5.55倍的加速并保持高质量输出。