Talk预告｜无问芯穹算法研究员袁之航：高效视觉生成

摘要：探讨如何通过压缩方法和架构设计，显著减少生成过程中的冗余计算，提升推理效率。

本期为TechBeat人工智能社区第645期线上Talk。

北京时间12 月4日(周三)20:00，无问芯穹算法研究员袁之航的Talk将准时在TechBeat人工智能社区开播！

他与大家分享的主题是: “高效视觉生成 - 减少冗余计算的探索研究”，届时他将

探讨如何通过压缩方法和架构设计，显著减少生成过程中的冗余计算，提升推理效率。

Talk·信息

▼

主题：高效视觉生成 - 减少冗余计算的探索研究

嘉宾：无问芯穹 · 算法研究员 - 袁之航

时间：北京时间 12月4日(周三)20:00

地点：TechBeat人工智能社区

一键预约TALK！

Talk·介绍

▼

近年来，视觉生成模型的表现令人瞩目，但高质量生成通常伴随高昂的计算代价。本次talk聚焦于两大主题：后训练加速和高效模型设计。研究发现当前生成模型中存在大量冗余计算，我们将探讨如何通过压缩方法和架构设计，显著减少生成过程中的冗余计算，提升推理效率。

Talk大纲

1.背景 - 视觉生成模型在图像、视频生成领域的快速发展；扩散模型和Transformer（如DiT）在生成任务中的优势与面临的效率瓶颈；高质量生成的计算复杂度和时间成本问题。

2. 动机与问题 - 已训练模型中的冗余计算（空间、时间、条件冗余）；扩散模型逐步去噪过程中的系统性冗余；如何在不损失生成质量的前提下提升推理效率。

3. 解决方案 - 后训练加速方法（DiTFastAttn），包括Window Attention with Residual Sharing减少空间冗余、Attention Sharing across Timesteps利用时间步相似性、Attention Sharing across CFG跳过条件生成冗余（后训练加速方法实现1.8x加速比）；高效模型设计（ECAR），通过多阶段连续token生成策略与多阶段流分布建模降低计算复杂度；实验结果展示了在高分辨率生成任务中的显著加速效果（如FLOPs减少10倍，速度提升5倍）。

4. 总结 - 讨论后训练加速与高效设计的下一步研究重点；展望未来在更大规模生成任务中的应用与优化方向。

Talk·预习资料

▼

论文链接：

Talk·提问交流

▼

在Talk界面下的【交流区】参与互动！留下你的打call🤟和问题🙋，和更多小伙伴们共同讨论，被讲者直接翻牌解答！

你的每一次贡献，我们都会给予你相应的i豆积分，还会有惊喜奖励哦！

Talk·嘉宾介绍

▼

无问芯穹 · 算法研究员

袁之航本博毕业于北京大学，是一位专注于高效人工智能（Efficient AI）的算法研究员。他在多个国际会议和期刊上发表了论文，包括CVPR、NeurIPS、ICLR、ECCV、ISSCC、DATE、HPCA、TPAMI和TCAD等，被引用次数超过1000次。目前，袁之航在清华大学的NICS-EffAlg团队以及创业公司无问芯穹进行高效人工智能相关的研究。

个人主页:

https://www.techbeat.net/grzytrkj?id=42107

-The End-