CAB：基于修正与校正Adams-Bashforth的无训练流扩散采样加速

日前，arXiv上公布了CAB（Corrected Adams-Bashforth）采样器，这是一种无需额外训练即可加速流和扩散模型的新方法。它把采样动力学转移到一个统一的校正坐标系里，再配合修正的Adams-Bashforth步骤，从而在低函数评估次数下保持图像质量。说白了，就是让AI图像生成更快、更省算力，还不怎么掉画质。

现有加速方法为何不够好？

其实，流与扩散模型虽然能生成高分辨率图片，但采样时往往需要大量函数评估。现有的加速手段要么依赖蒸馏这类额外训练，要么靠无训练的高阶求解器。可惜的是，在低NFE预算下，这两种办法都会让样本质量打折扣。这难道不是行业里的老难题吗？CAB正是冲着这个痛点来的。

CAB的独特之处在哪？

它的第一招挺有意思：先把采样过程的动力学方程变换到一个“公共校正坐标系”里。这个坐标系的设计逻辑，挺接近数值分析中的误差补偿思路，能在后续计算时减少累积偏差。接着，它采用修正的Adams-Bashforth方法执行积分，而不是用常见的Runge-Kutta或朴素的线性多步法。通过这种“变换加校正”的组合，CAB在无需训练的情况下，把误差控制到了更低水平。

没错，CAB能实现无训练加速，靠的不是额外蒸馏一个学生模型，而是直接改进数值求解器本身。这意味着用户可以把现有预训练模型直接套用，无需修改训练流程。这种“即插即用”的设计，真的很方便。

目前，CAB在标准数据集上的实验验证了其有效性。在极少的评估次数下，生成结果的保真度也接近更昂贵的求解器。这种优势对于实时生成或移动端部署等场景来说，确实价值不小。

无训练加速的未来？

可以说，CAB为流扩散模型的采样提速提供了新途径。它不依赖额外算力，纯粹靠算法优化就换来了速度提升。咱们不妨想想，如果这种校正策略能推广到更复杂的扩散模型，比如视频或3D生成上，那该省下多少时间？