[LG]《Dual-Rate Diffusion: Accelerating diffusion models with an interleaved heavy-light network》G Bartosh, D Ruhe, E Hoogeboom, J Heek… [Google DeepMind Amsterdam & University of Amsterdam] (2026)

在扩散模型推理中，高质量采样的计算成本是一个悬而未决的难题。过去的方法受困于减少步数却仍反复调用重网络，本质原因是每步都重复处理已稳定的全局结构。

本文的核心洞见是：把去噪重新看作快慢两种节奏。由此，重编码器稀疏提取上下文、轻去噪器逐步复用特征这一关键操作，使采样成本下降而画质不塌。

这项工作真正留下的遗产是把扩散加速从“少跑几步”转向“每步少算重活”。它打开的新门是与蒸馏叠加的少步生成，但尚未跨过的门槛是训练开销、调度选择和视频音频等模态验证。

arxiv.org/abs/2605.18190 机器学习 人工智能 论文 AI创造营