欧洲计算机视觉顶级会议ECCV 2026的录用结果已正式公布。阿里云与上海交通大学张林峰教授团队的合作项目共有三篇论文被主会收录，研究方向均聚焦于Diffusion Transformer架构下的高效推理加速——具体而言，涉及时序误差校正、自适应特征分解以及时空令牌筛选这三条技术路线。在高分辨率图片生成场景中，算力需求可降低近90%，综合提速最高可达14.76倍。

ECCV在计算机视觉领域的重要地位不言而喻，目标检测、图像分割、视觉Transformer等影响行业格局的核心技术，最初均在该会议上亮相。而DiT作为当前主流视觉生成模型的通用架构，已广泛应用于文生图、文生视频、图像编辑等方向。然而，这一架构长期面临推理成本高、生成耗时长的问题。业界普遍认为，这已成为制约AIGC规模化落地的关键瓶颈。

首先来看第一篇论文，题目为《Accelerating Diffusion Transformers with Gaussian Process Rectified Feature Cache》，核心在于时序缓存误差校正。DiT生成一张图像通常需要运行数十甚至上百步的去噪过程，业界主流做法是采用“特征缓存”跳步复用——但这会引发一个问题：预测偏差会像滚雪球般不断累积放大。有趣的是，团队发现缓存残差在局部严格服从零均值高斯分布。基于这一发现，他们利用高斯过程回归构建了一个轻量级校正模块，可直接挂载到主流时序缓存算法之后。与TaylorSeer结合后，在Qwen-Image上计算量再降19.3%，同时PSNR提升0.9dB，LPIPS从0.65降至0.29。效果十分直观：生成速度更快，画面也更清晰。这实际上有效解决了长区间预测漂移这一长期难题。

第二篇论文《LinCa: Accelerating Diffusion Models via Learnable Decomposed Feature Caching》提出了一种基于可学习可逆网络的特征缓存框架。其独特之处在于：首次系统性地发现扩散特征演化存在异质性——这种异质性同时存在于跨模型、跨去噪阶段、跨特征维度这三个层面。LinCa的做法是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，而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。测试数据非常扎实：FLUX.1-dev实现5.51倍加速，Qwen-Image达到6.95倍，HunyuanVideo视频模型也有5.50倍加速，图像质量指标全面领先主流方案。

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，导致大量背景和低语义区域产生冗余计算。现有的局部上采样方法多数依赖边缘、纹理这类底层视觉特征，难以匹配文本语义与编辑指令的需求，关键区域的细节容易丢失。

阿里云与交大合作的第三篇论文《A ViTS: Adaptive Spatiotemporal Token Selection for Efficient DiTs with Dynamic Resolution》提出了时空动态令牌筛选框架。核心思路是“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，将背景和低语义区域的冗余算力有效削减。该方法完全在推理阶段执行，无需重新训练，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，A ViTS在FLUX模型上最高实现6.34倍推理加速，编辑场景下FLOPs削减近9倍；叠加步骤蒸馏后，综合提速最高可达14.76倍。

据了解，上述三项技术已完整集成到阿里云自研的WuYingDiT推理加速引擎，并全面落地至无影灵构一站式AIGC创研平台。服务的行业客户涵盖游戏美术、电商设计、影视制作、新媒体等领域，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，一键即可启用。

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，将真实业务场景中的技术难题与学术研究深度结合，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。