ArticleMetadataMain page

source · 2026-04-15

DeepCache（CVPR 2024）：用特征缓存免费加速扩散模型

#near-cvpr-2025#image-generation#diffusion#efficiency#primary-source

DeepCache（CVPR 2024）：用特征缓存免费加速扩散模型

会议：CVPR 2024
发表日期：2023/12/01
资料加入日期：2026-04-15

一句话结论

这篇论文把扩散提速问题从“重训模型”转到“缓存时序冗余”，说明不少速度收益其实可以直接从推理结构里白拿。

问题定义

它要解决的是扩散模型逐步去噪导致的高计算成本。传统加速路线往往依赖蒸馏、剪枝或重训练，但这些方法本身就昂贵、难迁移。对当前 wiki 来说，DeepCache 补的是 diffusion inference engineering 的关键节点：不改权重、少改流程，也能显著提升吞吐。

方法概述

DeepCache 的核心是利用相邻去噪步之间的时序冗余，对高层特征做缓存与复用，只廉价更新低层特征。它站在模型结构视角而不是采样器数学视角来加速，因此能和现有采样方法兼容。

关键发现

  • 它说明 diffusion efficiency 主线里，“训练免费”的工程优化是独立且很强的一条路线。
  • 它和 sources/2026-04-15-act-diffusion 构成训练侧/推理侧的清晰对照，帮助 topics/diffusion-models 区分不同效率策略。
  • 它也解释了为什么很多实际系统会优先做缓存、复用和管线工程，而不是一开始就选择重训练式压缩。

局限或疑问

  • 这类缓存方法高度依赖具体架构层级与特征冗余模式，跨模型泛化边界需要继续观察。
  • 它主要优化吞吐，不直接改善基础生成质量。
  • 对更复杂的控制注入、多模态条件或视频长序列场景，缓存收益是否同样稳定还需要更多证据。

原始链接

  • https://arxiv.org/abs/2312.00858
  • https://arxiv.org/pdf/2312.00858

相关页面

备注

在这套库里，DeepCache 的意义非常工程化：它让“扩散为什么还能继续部署下去”这件事有了更强解释，因为速度问题未必都要靠新模型解决，很多时候先靠系统层手段就能明显缓解。

Metadata

{
  "id": "2026-04-15-deepcache",
  "type": "source",
  "title": "DeepCache（CVPR 2024）：用特征缓存免费加速扩散模型",
  "status": "reviewed",
  "created": "2026-04-15",
  "updated": "2026-04-15",
  "venue": "CVPR 2024",
  "ingested_at": "2026-04-15",
  "tags": [
    "near-cvpr-2025",
    "image-generation",
    "diffusion",
    "efficiency",
    "primary-source"
  ],
  "note_status": "reviewed",
  "source_type": "paper",
  "authors": [
    "Ma, Xinyin",
    "Fang, Gongfan",
    "Wang, Xinchao"
  ],
  "published_at": "2023/12/01",
  "canonical_links": [
    "https://arxiv.org/abs/2312.00858",
    "https://arxiv.org/pdf/2312.00858"
  ],
  "raw_entry": "raw/ingest/2026-04-15-deepcache/",
  "topics": [
    "topics/image-generation",
    "topics/diffusion-models"
  ],
  "entities": [],
  "claims": [],
  "questions": []
}