7月9日消息，欧洲计算机视觉顶级会议ECCV 2026公布结果，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，涵盖时序误差校正、自适应特征分解、时空令牌筛选三条技术路线。其中在高分辨率图片生成场景下，可将算力需求缩短近90%，综合提速最高14.76倍。
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等多项影响行业格局的核心技术，均首次亮相该会议。DiT作为当前主流视觉生成模型的通用架构，广泛应用于文生图、文生视频、图像编辑等领域，但推理成本高、生成耗时长的问题日益突出，被业界视为AIGC规模化落地的主要瓶颈之一。
3篇论文入选视觉顶会ECCV 2026
第一篇论文《Accelerating Diffusion Transformers with Gaussian Process Rectified Feature Cache》聚焦时序缓存误差校正。DiT生成一张图通常要跑几十上百步去噪，业界常用“特征缓存”跳步复用，但预测偏差会随之滚雪球式放大。团队发现缓存残差在局部严格服从零均值高斯分布，据此用高斯过程回归搭建轻量级校正模块，可无缝挂载至主流时序缓存算法之后。与TaylorSeer结合后，在Qwen-Image上把计算量再降19.3%的同时，PSNR提升0.9dB，LPIPS从0.65降至0.29，实现更快且更清晰的生成效果，破解了长区间预测漂移难题。
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
第二篇论文《LinCa: Accelerating Diffusion Models via Learnable Decomposed Feature Caching》提出基于可学习可逆网络的特征缓存框架LinCa，首次系统性地发现扩散特征演化的异质性同时存在于跨模型、跨去噪阶段、跨特征维度三个层面。LinCa将原始特征沿通道维度分解为不同“性格”的子分量，对连续性强的子分量采用高阶预测器外推，对突变性强的子分量则直接复用，单卡GPU训练1小时即可完成适配。测试中，FLUX.1-dev实现5.51倍加速，Qwen-Image达6.95倍，HunyuanVideo视频模型实现5.50倍加速，画质指标全面领先主流方案。
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，但传统方案在分辨率切换时会统一上采样全部隐式令牌，导致大量背景、低语义区域产生冗余计算；现有局部上采样方法多依赖边缘、纹理等底层视觉特征，难以匹配文本语义与编辑指令的需求，容易造成关键区域细节缺失。
阿里云和交大合作的第三篇论文《AViTS: Adaptive Spatiotemporal Token Selection for Efficient DiTs with Dynamic Resolution》提出了时空动态令牌筛选框架AViTS，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，砍掉背景与低语义区域的冗余算力。该方法完全在推理阶段执行，无须重新训练，且与特征缓存、模型蒸馏、量化等加速技术完全正交。实验数据显示，AViTS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，综合提速最高可达14.76倍。
AViTS 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项技术已完整集成至阿里云自研的WuYingDiT推理加速引擎，并全量落地至无影灵构一站式AIGC创研平台，服务游戏美术、电商设计、影视制作、新媒体等行业客户，原生适配FLUX、Qwen、混元视频等主流生成基座，客户无需改造现有工作流即可一键启用。
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相结合，持续迭代WuYingDiT加速引擎，进一步降低端侧、边缘场景高保真生成式AI的应用门槛。
七星策略提示：文章来自网络，不代表本站观点。
