深度分析
分階段學習預測器 LESA：結合 Kolmogorov–Arnold Network 提升擴散模型推論效率
擴散模型在影像與影片生成上表現優越但推論昂貴。LESA以可學習的Kolmogorov–Arnold Network為核心，採多階段多專家設計並透過兩段式訓練學習時序特徵預測，能針對高噪、中段與細節階段分別預測特徵。實驗顯示在多個大型模型上達到數倍加速並維持或提升視覺品質。
深度分析
擴散模型在影像與影片生成上表現優越但推論昂貴。LESA以可學習的Kolmogorov–Arnold Network為核心，採多階段多專家設計並透過兩段式訓練學習時序特徵預測，能針對高噪、中段與細節階段分別預測特徵。實驗顯示在多個大型模型上達到數倍加速並維持或提升視覺品質。
深度分析
擴散模型採樣昂貴，Kuramoto方位擴散以局部相位耦合取代線性漂移，保留更多局部結構並提升步數效率。SA-Kura將sin(θj−θi)重寫為鄰居累加後再與中心相位乘減，移除PE內三角單元並以流水陣列執行。實驗顯示在45nm綜合下，相較SoC軟體延遲與能耗分別降約193×與69.4×，對Jetson Orin Nano則更快6.57×且每像素能耗約46×更低。