DiffMoE：动态Token选择助力扩散模型性能飞跃，快手&清华团队打造视觉生成新标杆！

文章预览

本文由清华大学和快手可灵团队共同完成。第一作者是清华大学智能视觉实验室在读本科生史明磊。 在生成式 AI 领域，扩散模型（Diffusion Models）已成为图像生成任务的主流架构。然而，传统扩散模型在处理不同噪声水平和条件输入时采用统一处理方式，未能充分利用扩散过程的异构特性，导致计算效率低下，近期，可灵团队推出 DiffMoE（Dynamic Token Selection for Scalable Diffusion Transformers）， 通过创新的动态token选择机制和全局token池设计，拓展了扩散模型的效率与性能边界。 论文标题：DiffMoE: Dynamic Token Selection for Scalable Diffusion Transformers 项目主页： https://shiml20.github.io/DiffMoE/ 论文地址： https://arxiv.org/abs/2503.14487 代码： https://github.com/KwaiVGI/DiffMoE 核心突破：动态token选择与全局上下文感知  DiffMoE 首次在扩散模型中引入 批级全局token池 （Batch-level Global To ………………………………