Fast3Dcache: Aceleração de Síntese de Geometria 3D sem Treinamento
Fast3Dcache: Training-free 3D Geometry Synthesis Acceleration
November 27, 2025
Autores: Mengyu Yang, Yanming Yang, Chenyi Xu, Chenxi Song, Yufan Zuo, Tong Zhao, Ruibo Li, Chi Zhang
cs.AI
Resumo
Os modelos de difusão alcançaram qualidade generativa impressionante em modalidades como imagens 2D, vídeos e formas 3D, mas sua inferência permanece computacionalmente cara devido ao processo iterativo de remoção de ruído. Embora métodos recentes baseados em cache reutilizem efetivamente cálculos redundantes para acelerar a geração de conteúdo 2D e vídeo, a aplicação direta dessas técnicas a modelos de difusão 3D pode perturbar gravemente a consistência geométrica. Na síntese 3D, até mesmo pequenos erros numéricos em características latentes em cache acumulam-se, causando artefatos estruturais e inconsistências topológicas. Para superar esta limitação, propomos o Fast3Dcache, uma estrutura de cache treinamento-livre e consciente da geometria que acelera a inferência de difusão 3D enquanto preserva a fidelidade geométrica. Nosso método introduz uma Restrição de Agendamento de Cache Preditivo (PCSC) para determinar dinamicamente as quotas de cache de acordo com os padrões de estabilização de voxel e um Critério de Estabilidade Espaço-Temporal (SSC) para selecionar características estáveis para reutilização com base na magnitude da velocidade e critério de aceleração. Experimentos abrangentes mostram que o Fast3Dcache acelera significativamente a inferência, alcanando uma aceleração de até 27,12% e uma redução de 54,8% em FLOPS, com degradação mínima na qualidade geométrica, medida pela Distância de Chamfer (2,48%) e F-Score (1,95%).
English
Diffusion models have achieved impressive generative quality across modalities like 2D images, videos, and 3D shapes, but their inference remains computationally expensive due to the iterative denoising process. While recent caching-based methods effectively reuse redundant computations to speed up 2D and video generation, directly applying these techniques to 3D diffusion models can severely disrupt geometric consistency. In 3D synthesis, even minor numerical errors in cached latent features accumulate, causing structural artifacts and topological inconsistencies. To overcome this limitation, we propose Fast3Dcache, a training-free geometry-aware caching framework that accelerates 3D diffusion inference while preserving geometric fidelity. Our method introduces a Predictive Caching Scheduler Constraint (PCSC) to dynamically determine cache quotas according to voxel stabilization patterns and a Spatiotemporal Stability Criterion (SSC) to select stable features for reuse based on velocity magnitude and acceleration criterion. Comprehensive experiments show that Fast3Dcache accelerates inference significantly, achieving up to a 27.12% speed-up and a 54.8% reduction in FLOPs, with minimal degradation in geometric quality as measured by Chamfer Distance (2.48%) and F-Score (1.95%).