解决 MAR 图像生成模型效率难题！LazyMAR：通过特征缓存加速自回归图像生成，效率无损提升2....

主要观点总结

本文介绍了LazyMAR技术，它通过巧妙地利用特征缓存机制，成功攻克了MAR模型在计算效率方面的瓶颈。LazyMAR不仅实现了高达2.83倍的加速效果，而且几乎不损失图像生成质量，为MAR模型在实际应用中的高效部署提供了全新的解决方案。

关键观点总结

关键观点1: LazyMAR研究背景

介绍了Masked Autoregressive Model (MAR) 的优势及存在的问题，即Bidirectional Self-attention与KV Cache机制相冲突，破坏了预期的高效率。

关键观点2: Token冗余和Condition冗余

分析了MAR中的计算冗余，包括Token冗余和Condition冗余。通过缓存机制来复用token和条件信息，以减少计算成本。

关键观点3: Token Cache和Condition Cache

介绍了Token Cache和Condition Cache的实现方式，以及它们如何提升MAR的计算效率。

关键观点4: 周期性缓存-复用-刷新策略

提出了周期性缓存-复用-刷新策略，以应对通过迭代地进行cache复用造成的近似误差的累积。

关键观点5: 实验结果

通过对比实验，验证了LazyMAR在保持图像生成质量的同时，实现了显著的加速效果。