Die Autoren von ScoutCache, einem Paper auf arXiv, geben an, dass ihre trainingsfreie Methode autoregressive Few-Step-Videodiffusion bei Self-Forcing um bis zu 2,28× und bei LongLive um bis zu 1,86× beschleunigt und dabei die Generierungsqualität verbessert (arXiv). Laut dem Paper geschieht dies, ohne die Parameter des vortrainierten Modells zu verändern, sodass vorhandene Checkpoints unverändert beschleunigt werden können. Alle folgenden Zahlen stammen aus den eigenen Experimenten der Autoren, nicht aus einem unabhängigen Test.
Was die Methode leistet
ScoutCache wird als Framework beschrieben, das Denoising, das Lesen des historischen KV und den Aufbau des Caches gemeinsam optimiert. Im Aufbau des Papers enthält der historische Cache vier Frame-Regionen: den ersten Latent-Frame des Videos als festen Anker und die drei Frames des vorangegangenen Chunks (arXiv). Unter den Baselines komprimieren oder beschneiden FlowCache und Forcing-KV bereits historische KV-Caches, während ScoutCache Denoising, das Lesen des historischen KV und den Cache-Aufbau in einem Framework vereint.
Die Autoren evaluieren es an den öffentlich veröffentlichten 1.3B-Checkpoints von Self-Forcing und LongLive. Eine Komponente, Conditional Denoising Readout (CDR), wird einzeln gemessen: Laut dem Paper senkt sie den normalisierten Update-Fehler von 1,000 ohne Update auf 0,596.
Beschleunigung nach Videolänge
Bei Self-Forcing berichtet das Paper eine Beschleunigung von 1,60× auf VBench sowie 2,19×, 2,25× und 2,28× auf MovieGen bei 30, 60 beziehungsweise 120 Sekunden. Die herausgestellten 2,28× entsprechen also der längsten MovieGen-Einstellung mit 120 Sekunden. Das Paper führt den Anstieg der Beschleunigung mit der Videodauer auf den schrumpfenden relativen Aufwand der anfänglichen Kalibrierung zurück.
Der Wert von 1,86× gehört zu LongLive, einem eigenständigen Backbone. Praktiker sollten die beiden Höchstwerte als Ergebnisse für verschiedene Modelle lesen, nicht als eine Zahl für die gesamte Methode.
Qualitätswerte in Tabelle 6
| Tabellenblock | Metrik | Self- Forcing | Flow Cache | MotionCache (Slow) | ScoutCache | Quellseite |
|---|---|---|---|---|---|---|
| VBench (5s) | Quality Score | 84.06 | 84.04 | 72.96 | 84.38 | https://arxiv.org/html/2611.21038 |
| VBench (5s) | Semantic Score | 71.36 | 71.64 | 52.75 | 71.28 | https://arxiv.org/html/2611.21038 |
| VBench (5s) | Total Score | 81.52 | 81.56 | 68.92 | 81.76 | https://arxiv.org/html/2611.21038 |
| MovieGen (120s) | Subject Consistency | 96.54 | 96.35 | 94.00 | 97.29 | https://arxiv.org/html/2611.21038 |
| MovieGen (120s) | Background Consistency | 96.66 | 96.34 | 95.28 | 95.43 | https://arxiv.org/html/2611.21038 |
| MovieGen (120s) | Motion Smoothness | 97.99 | 98.14 | 95.36 | 98.09 | https://arxiv.org/html/2611.21038 |
| MovieGen (120s) | Dynamic Degree | 28.24 | 28.68 | 17.57 | 49.14 | https://arxiv.org/html/2611.21038 |
| MovieGen (120s) | Aesthetic Quality | 51.27 | 51.14 | 45.66 | 56.77 | https://arxiv.org/html/2611.21038 |
| MovieGen (120s) | Imaging Quality | 61.85 | 59.64 | 51.04 | 68.82 | https://arxiv.org/html/2611.21038 |
| MovieGen (120s) | Total Score | 75.03 | 74.62 | 68.56 | 79.11 | https://arxiv.org/html/2611.21038 |
Tabelle 6 des Papers nennt detaillierte Qualitätswerte für Self-Forcing, mit VBench-Werten für Quality, Semantic und Total beim 5-Sekunden-Block sowie sechs VBench-Long-Dimensionen plus einem Total Score für längere Videos. Im Block VBench (5s) beträgt der Total Score 81,52 für Self-Forcing, 81,56 für Flow Cache und 68,92 für MotionCache (Slow). Flow Cache erreicht bei dieser Kennzahl im Wesentlichen die nicht beschleunigte Self-Forcing-Baseline, während MotionCache (Slow) einen großen Teil der Qualität einbüßt.
Der Semantic Score von VBench (5s) beträgt 71,36 für Self-Forcing, 71,64 für Flow Cache und 52,75 für MotionCache (Slow). Der Semantic Score folgt einem ähnlichen Muster: Flow Cache liegt mit 71,64 über den 71,36 von Self-Forcing, während MotionCache (Slow) mit 52,75 deutlich niedriger liegt.
Wie die Aussagen zu lesen sind
Das Paper stellt fest, dass ScoutCache die Generierungsqualität durchgängig verbessert und zugleich die Generierung beschleunigt. Das ist eine Behauptung der Autoren, evaluiert auf VBench und MovieGen mit zwei 1.3B-Backbones. Weil die Methode kein Training benötigt, könnte ein Praktiker mit einem der beiden Checkpoints sie grundsätzlich ohne erneutes Training testen, und die obigen Geschwindigkeitswerte zeigen den Bereich, den man an den eigenen Clips prüfen sollte. Die Baselines in Tabelle 6 zeigen, warum Qualität neben der Geschwindigkeit angegeben werden muss: Der Abstand zwischen Self-Forcing und MotionCache (Slow) ist weit größer als der zwischen Self-Forcing und Flow Cache.
Wie wir das erstellt haben
Veröffentlichte ErgebnisseTabelle 6 des Papers: Detaillierte Videoqualitätswerte für Self-Forcing
Zeilen aus Tabelle 6 des Papers (arXiv-HTML-Version), von unserem Code zellengetreu übernommen. Es sind Zahlen der Autoren, kein unabhängiger Test. Die erste Spalte nennt den Tabellenblock. Von 11 Spalten sind 5 gezeigt, darunter jede mit einer im Artikel genannten Zahl oder Kennzahl. Nicht gezeigt: Tea Cache, MotionCache (Fast) und 4 weitere. Zeilen: 10 von 24, mit jeder Zeile, deren Wert der Artikel nennt oder die er benennt, und den Zeilen von MovieGen (120s), der Bedingung des Spitzenergebnisses. Nicht gezeigt von 4 Blöcken: MovieGen (30s) (7 Zeilen), MovieGen (60s) (7 Zeilen).
Quellen
Die Quellen, aus denen dieser Artikel geschrieben wurde. Die Links öffnen die Originalseite.



