확산 모델(DM)은 시각 작업에서 뛰어난 성능을 보이지만, 반복적 노이즈 제거로 인해 높은 계산 비용이 발생한다. DeepCache는 특징 재사용을 통해 효율을 개선하지만, 정적인 스킵 분기 선택은 단계에 따라 달라지는 특징의 중요성을 간과한다. 본 연구에서는 추론 속도와 이미지 품질 간의 트레이드오프를 단계에 따라 동적으로 최적화하는 단계 인지(step-aware) 스킵 분기 할당 방법을 제안한다. 얕은 분기는 초기 및 중기 단계에 할당하고, 단계별 분기는 후기 단계에 할당함으로써 Speed-first 전략은 고정된 스킵 분기 2 기준선에 비해 처리량을 30.4^% 향상시키며, Quality-first 전략은 Fréchet Inception Distance(FID)를 29.5% 감소시킨다. 이 방법은 보다 효율적인 확산 모델 추론을 가능하게 한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.