PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2610.02779v1cs.CV

TRAC: 효율적인 자기회귀 비디오 생성을 위한 궤적 인식 재사용 및 적응형 보정

TRAC: Trajectory-aware Reuse and Adaptive Correction for Efficient Autoregressive Video Generation

본 논문에서는 효율적인 자기회귀(AR) 비디오 생성을 위한 학습(training) 불필요 프레임워크인 TRAC(trajectory-aware reuse and adaptive correction)을 제시합니다. 기존의 가속 기법들은 주로 양방향 어텐션(attention)을 사용하는 단일 궤적 생성을 목표로 합니다. 반면 AR 비디오 생성은 청크(chunk) 단위의 노이즈 제거 궤적들을 순차적으로 결합합니다. 그 결과, 생성 과정 전반에 걸쳐 근사 오차가 누적되고 전파됩니다. TRAC은 견고한 누적 스케줄링(RCS), 자기회귀 궤적 인식 가이던스 스케줄링(ATGS), 스펙트럼 구조 보정(SSC)의 세 가지 구성 요소로 이 문제를 해결합니다. RCS는 누적 롤아웃(rollout) 오차와 청크 간/프롬프트(prompt) 변동을 기반으로 캐시 재사용 일정을 선택합니다. ATGS는 전체 AR 궤적을 따라 CFG 갱신을 조율합니다. SSC는 첫 번째 청크의 저주파 구조를 복원하여 장기적인 구조적 손실(loss)을 바로잡습니다. SkyReels-V2 및 FramePack-F1에 대한 실험 결과, TRAC은 기존 방법들과 비교하여 AR 비디오 생성에서 가장 높은 추론(inference) 효율성과 최고의 생성 품질을 모두 달성함을 보여줍니다.

arXiv:2602.24208v2cs.CV

SenCache: 민감도 인식 캐싱을 통한 확산 모델 추론 가속

SenCache: Accelerating Diffusion Model Inference via Sensitivity-Aware Caching

확산 모델은 최첨단 수준의 비디오 생성 품질을 달성하지만, 순차적 디노이징 단계가 많아 추론 비용이 여전히 큽니다. 이에 따라 확산 모델 추론 가속 연구가 활발히 진행되고 있습니다. 학습 없이 적용할 수 있는 가속 방법 가운데 캐싱은 타임스텝에 걸쳐 이전에 계산한 모델 출력을 재사용하여 연산량을 줄입니다. 기존 캐싱 방법은 캐시 및 재사용 타임스텝을 선택하기 위해 휴리스틱 기준에 의존하며 광범위한 튜닝을 요구합니다. 본 연구는 원칙에 기반한 민감도 인식 캐싱 프레임워크로 이 한계를 해소합니다. 구체적으로, 디노이징 입력—노이즈 잠재 변수와 타임스텝—에 대한 섭동에 대한 모델 출력 민감도를 분석하여 캐싱 오차를 형식화하고, 이 민감도가 캐싱 오차의 핵심 예측 변수임을 보입니다. 이 분석에 기반하여 샘플별로 캐싱 타임스텝을 적응적으로 선택하는 동적 캐싱 정책인 Sensitivity-Aware Caching(SenCache)을 제안합니다. 본 프레임워크는 적응형 캐싱에 대한 이론적 토대를 제공하고, 선행 경험적 휴리스틱이 부분적으로 효과적인 이유를 설명하며, 이를 동적이고 샘플 특화 접근으로 확장합니다. Wan 2.1, CogVideoX, LTX-Video에 대한 실험에서 SenCache는 유사한 연산 예산 하에서 기존 캐싱 방법보다 더 나은 시각적 품질을 달성함을 보여 줍니다.