科学研究

近日，我院王琦教授团队在高效扩散模型推理加速领域取得重要突破，相关研究论文《ReMatch: Relaxed Bipartite Matching with Structural Inertia for Efficient Diffusion》被数据挖掘领域CCF-A类顶级国际会议ACM SIGKDD（Knowledge Discovery and Data Mining）2026录用。

基于松弛二分匹配与结构惯性的高效扩散模型

扩散模型在图像生成任务中取得了卓越的保真度，但其自注意力机制的二次复杂度严重限制了高分辨率场景下的实时推理。现有的词元合并方法（如ToMeSD）虽通过二分匹配实现了高效序列缩减，却存在本质的拓扑缺陷：单次划分中同源集合内的节点永远无法建立连接，导致语义召回率理论上限仅为50%，引发“划分噪声”和生成伪影。为解决这一矛盾，团队提出了ReMatch——一个无需训练的推理加速框架。ReMatch将序列缩减重构为约束松弛问题，通过两大机制协同突破效率与保真度的权衡：

·级联松弛匹配：采用正交的随机划分执行两阶段匹配，为首次划分中“锁定”的节点提供第二次连接机会，将期望召回率从50%提升至75%，有效恢复被丢弃的空间细节。

·结构惯性复用：扩散模型相邻Transformer块间的拓扑结构具有高度时间相关性（中位数相关系数>0.9），从而将昂贵的匹配计算稀疏化到关键帧上，中间层零成本继承缓存拓扑，抵消两阶段匹配的额外开销。

实验表明，ReMatch在多种架构（SDv1.5、FLUX.1-dev）上建立了新的帕累托前沿。在3072×3072像素级生成中，现有方法均出现严重的结构重复伪影（如多个主体或多余肢体），而ReMatch凭借松弛匹配机制成功保持了语义基数完整性，大幅领先基线。此外，ReMatch与硬件级优化（SDPA）完全兼容，在RTX A6000上实现了最高1.57倍的实用加速。

论文第一作者为博士生周情，通讯作者为王琦教授。

更多研究成果详见团队主页：https://crabwq.github.io/

                                                   （文：周情，审核：赵斌）