阿里云联合上海交大攻关DiT推理加速，3篇论文入选视觉顶会ECCV

7月9日消息，欧洲计算机视觉顶级会议ECCV 2026放榜，阿里云与上海交通大学张林峰教授团队合作的3篇论文被主会收录，研究方向均聚焦Diffusion Transformer（DiT）架构下的高效推理加速，覆盖了时序误差校正、自适应特征分解、时空令牌筛选三条不同的技术路线。在高分辨率图片生成场景下，这些成果能将算力需求缩短近90%，综合提速最高可达14.76倍。

这个会议到底有多牛？ECCV是计算机视觉领域公认的三大国际顶级学术会议之一，目标检测、图像分割、视觉Transformer等多项影响行业走向的核心技术，都曾在这里首次亮相。而DiT作为当前主流视觉生成模型的通用架构，在文生图、文生视频、图像编辑等场景中应用广泛，但推理成本高、生成耗时长的问题也日益突出，被行业视为AIGC规模化落地的核心瓶颈。

3篇论文入选视觉顶会ECCV 2026

先说第一篇，《Accelerating Diffusion Transformers with Gaussian Process Rectified Feature Cache》，核心思路是搞定时序缓存误差校正。DiT生成一张图片通常需要跑几十甚至上百步去噪，业界常用的“特征缓存”策略虽然能跳步复用，但预测偏差会像滚雪球一样越滚越大。团队发现缓存残差在局部严格服从零均值高斯分布，于是用高斯过程回归搭了一个轻量级校正模块，可以直接挂载到主流时序缓存算法后面。与TaylorSeer结合后，在Qwen-Image上能将计算量再降19.3%，同时PSNR提升0.9dB，LPIPS从0.65降至0.29，生成效果更快也更清晰，算是破解了长区间预测漂移这个老大难问题。

对比不同基线缓存方法与GP-Refiner结合前后生成图像的视觉效果

第二篇《LinCa: Accelerating Diffusion Models via Learnable Decomposed Feature Caching》提出了一个基于可学习可逆网络的特征缓存框架，名字叫LinCa。它首次系统性地揭示了扩散特征演化的异质性——这个异质性不仅存在于跨模型之间，还同时存在于跨去噪阶段和跨特征维度三个层面。LinCa的做法是将原始特征沿通道维度拆解成不同“性格”的子分量，对连续性强的用高阶预测器外推，对突变性强的就直接复用。单卡GPU训练1小时就能完成适配。测试数据很漂亮：FLUX.1-dev实现5.51倍加速，Qwen-Image达到6.95倍，HunyuanVideo视频模型实现5.50倍加速，画质指标全面领先现有方案。

在Qwen-Image-Edit上，LinCa表现出更优的提示理解能力，并生成高保真图像，同时保持未编辑区域的一致性

动态分辨率是高分辨率DiT推理的核心加速方向之一，但传统方案有个尴尬的地方：分辨率切换时会统一上采样全部隐式令牌，导致大量背景和低语义区域产生冗余计算；现有的局部上采样方法呢，又大多依赖边缘、纹理这类底层视觉特征，难以匹配文本语义和编辑指令的需求，关键区域的细节容易丢失。

阿里云和交大合作的第三篇论文《A ViTS: Adaptive Spatiotemporal Token Selection for Efficient DiTs with Dynamic Resolution》提出了一种时空动态令牌筛选框架，通过“低分辨率打底—选择性上采样—全分辨率精修”三阶段生成流程，巧妙地砍掉了背景与低语义区域的冗余算力。这个方法完全在推理阶段执行，不需要重新训练，而且和特征缓存、模型蒸馏、量化等加速技术完全正交。实验数据显示，A ViTS在FLUX模型上最高实现6.34倍推理加速，编辑场景FLOPs削减近9倍；叠加步骤蒸馏后，综合提速最高能达到14.76倍。

A ViTS 整体架构：包含时空重要度计算模块与三级分辨率递进调度流程

据了解，上述3项技术已经完整集成到阿里云自研的WuYingDiT推理加速引擎，并且全量落地至无影灵构一站式AIGC创研平台，服务于游戏美术、电商设计、影视制作、新媒体等行业客户。这套引擎原生适配FLUX、Qwen、混元视频等主流生成基座，客户不需要改造现有工作流就能一键启用。

阿里云方面表示，未来将持续在端侧生成式AI前沿技术方向开展研究，把真实业务场景中的技术难题与学术研究结合在一起，不断迭代WuYingDiT加速引擎，进一步降低端侧和边缘场景下高保真生成式AI的应用门槛。