Un gruppo di ricercatori guidato da Qinhan Lyu ha presentato CacheScope, una tecnica che stabilisce quando eseguire il calcolo completo di denoising e quando riutilizzare approssimazioni memorizzate nella cache durante l’inferenza dei modelli di diffusione. Non richiede addestramento aggiuntivo, gradienti né reti separate. Su tre modelli di diffusione molto diffusi, accelera la generazione fino a 3,57 volte e riduce fino al 70,1% l’errore LPIPS mediano rispetto al più efficace metodo esistente basato su probe.
Perché conta
Gli sviluppatori possono generare immagini più velocemente e con maggiore fedeltà senza investire risorse in ulteriore addestramento.
