Problem

基於擴散變換器（DiT）的影片生成模型雖效能卓越，卻受限於 3D 注意力機制的平方複雜度，導致推理延遲與運算成本極高。現有加速方法多受限於傳統擴散流程，必須對影片中所有影格進行完整且密集的去噪處理，忽略了相鄰影格間運動與內容的高度冗餘性。

Method

提出 RhymeFlow 無需訓練的加速框架，解構不同影格的去噪軌跡。首先識別主導語義演化的關鍵影格並進行完整去噪，其餘影格則逐步跳過特定步驟以節省算力。此外，引入「潛在軌跡投影模組」來維持影格間的互動一致性，確保關鍵影格在處理時能參考完整的序列資訊，避免畫質劣化。

Results

在多款主流 DiT 影片生成模型上的實驗證明，RhymeFlow 的表現顯著優於現有基準方法。該技術不僅大幅提升了推理速度，更在維持視覺品質與結構完整性方面展現出優勢，成功達成運算效率與影像品質的雙重優化。

Significance

此研究揭示了影片生成過程中非均勻去噪的潛力，證明無需重新訓練即可顯著提升大型生成模型的效率。RhymeFlow 為降低影片合成的技術門檻提供了實用的解決方案，對於未來實現即時且高品質的生成式 AI 影片製作具有重要參考價值。