本文第一作者為美國東北大學博士生沈軒，研究方向為高效人工智能，致力于在 GPU、移動端、FPGA 和 ASIC 等多種硬件平臺上實現大模型的高效部署與加速。第二作者為香港中文大學的韓晨夏，研究方向聚焦于計算機體系結構與 AI 系統的高效化設計。

在高質量視頻生成任務中，擴散模型（Diffusion Models）已經成為主流。然而，隨著視頻長度和分辨率的提升，Diffusion Transformer（DiT）模型中的注意力機制計算量急劇增加，成為推理效率的最大瓶頸。這是因為在視頻生成中，DiT 通常使用 3D 全局注意力來建模時空一致性，雖然效果出色，但計算量會隨著 token 數量呈平方增長，帶來了巨大的計算負擔。在 HunyuanVideo 等視頻生成模型中，注意力模塊計算時間占比超過 80%，生成僅 8 秒的 720p 視頻甚至需要接近一小時的時間。因此，提升視頻生成模型的生成速度成為了迫切的需求。

現有視頻生成加速方法，如 Sparse VideoGen（https://arxiv.org/abs/2502.01776）和 AdaSpa（https://arxiv.org/abs/2502.21079），多采用稀疏注意力機制，在 GPU 上實現了一定程度的端到端加速。然而，受限于稀疏度不足和稀疏模式設計的剛性，這些方法的加速效果仍不理想。此外，它們普遍依賴固定的稀疏算子，缺乏對輸入內容的動態適應能力，難以實現細粒度、內容感知的稀疏模式調控。因此，設計一種具備動態可調性、硬件友好且無需訓練的稀疏注意力機制，對提升視頻擴散模型的效率與實用性具有重要意義。

近期，來自美國東北大學、香港中文大學、Adobe Research 等機構的研究團隊提出了一種無需訓練、即插即用的，基于動態稀疏注意力的視頻擴散模型加速方法 ——DraftAttention，顯著降低了注意力機制的計算開銷，并且在幾乎不損失生成質量的前提下，實現高達 2 倍的 GPU 端到端推理加速。

• 論文標題：DraftAttention: Fast Video Diffusion via Low-Resolution Attention Guidance
• arXiv 地址：https://arxiv.org/abs/2505.14708
• GitHub 主頁：https://github.com/shawnricecake/draft-attention

背景挑戰

在視頻生成任務中，注意力機制的計算開銷是當前模型推理效率的主要瓶頸。如圖所示（Figure 1），在 HunyuanVideo 模型中，隨著生成視頻時長從 8 秒擴展至 32 秒，注意力的計算量（FLOPs）占比迅速上升，最高超過 90%，遠超其他模塊。這種趨勢在高分辨率視頻（如 720p 或更高）中尤為顯著。造成這一問題的根本原因在于：視頻生成模型通常采用時空全局注意力機制，其計算復雜度隨 token 數量呈平方增長。而 token 數量本身又與視頻的幀數和空間分辨率成正比，因此一旦提升時長或清晰度，計算量將呈幾何級數上升，導致推理速度顯著下降，難以滿足實際部署需求。

因此，引入稀疏注意力機制以降低計算開銷，是視頻生成加速的有效路徑。然而，現有稀疏注意力方法普遍依賴固定的稀疏模式或算子，缺乏對輸入內容或擴散過程動態變化的適應能力。這種 “靜態稀疏” 策略無法根據不同的文本提示、多樣化的視頻語義，或擴散過程中的中間狀態靈活調整注意力分布，最終往往在高稀疏率下造成視頻生成質量的顯著下降。因此，設計一種具備 “動態可調性” 的稀疏注意力機制，能夠根據輸入語義和擴散步長自適應調整注意力結構，是維持視頻生成質量的關鍵。

問題建模

對于視頻生成模型，往往會使用 3D VAE（Variational Autoencoder）來壓縮視頻到隱藏空間（latent space），以顯著減少擴散過程中處理的 token 數量。該隱藏空間保留了視頻的核心結構，具有的三維形態，其中代表被壓縮后的視頻幀數（時間維度），和分別對應視頻的分辨率（空間維度）。在此基礎上，我們進一步關注隱藏空間內的時空冗余性。由于生成任務中存在大量冗余特征，并非所有 latent token 對注意力機制都同等重要，因此我們提出對 token 重要性進行分析：跳過低重要性的 token 注意力計算，在減少計算量的同時，依然保留關鍵的視頻特征，從而實現有效加速且維持生成質量。

方法概覽

為此，本文提出了一種無需訓練、動態可調、硬件友好的稀疏注意力機制 ——DraftAttention。其核心思想是：

通過低分辨率 “草圖注意力圖”（Draft Attention Map）高效估計 token 重要性，并據此指導高分辨率注意力計算中的稀疏模式選擇。

具體流程如下：

1. 草圖構建：首先，對隱藏空間的特征圖進行空間下采樣（如 816 平均池化），生成低分辨率版本的 Query 和 Key；

2. 草圖注意力計算：基于下采樣后的 Query 和 Key 計算草圖注意力圖（Draft Attention Map），以識別注意力圖中最具信息量的區域；

3. 稀疏模式引導：從 Draft Attention Map 中選出得分最高的區域，生成結構化稀疏 Mask，用于指導高分辨率下的注意力計算；

4.Token 重排以適配硬件：為了使稀疏區域連續分布、滿足 GPU 對 memory layout 的需求，作者提出了一種 token 重排策略，顯著提升了稀疏計算的執行效率；

5. 無需訓練、即插即用：該機制可直接插入現有視頻擴散模型（如 HunyuanVideo 和 Wan2.1）中，無需任何額外訓練或微調。

這一設計既從計算圖層面降低了注意力的冗余，也從系統執行層面提升了稀疏算子的硬件效率，實現了視頻生成速度與質量的雙贏。

值得一提的是，DraftAttention 并非經驗驅動的啟發式方法，而是具備堅實的理論基礎。我們從兩個角度對其有效性進行了理論分析與證明：

1. 近似誤差可控：我們證明了，使用平均池化構建的 Draft Attention Map 與原始高分辨率 Attention Map 之間的差異在 Frobenius 范數意義下是有界的，且該誤差隨 token 的空間連續性降低；

2. 稀疏掩碼引入的誤差有界：進一步地，從 Draft Attention Map 中提取的稀疏注意力模式在用于稀疏注意力加速計算后，其影響同樣可以被嚴格界定在一個可控范圍內。

這兩項理論結果共同說明，草圖注意力在提供高質量稀疏引導的同時，并不會顯著破壞注意力機制原有的結構表達能力，從而為 DraftAttention 的實際加速效果與生成質量提供了有力的理論保障。

實驗結果

我們在多個主流視頻生成模型上評估了 DraftAttention 的性能，包括 HunyuanVideo 和 Wan2.1。實驗主要從兩個維度進行評估：生成質量和推理加速。

在相同計算量下，我們與代表性稀疏注意力方法 Sparse VideoGen (SVG) 進行了對比。在多個評價指標上，DraftAttention 表現更優：

• PSNR（越高越好）：在高分辨率下可提升約 +2~+3 分；
• SSIM（越高越好）：一致性更強，生成視頻結構更穩定；
• LPIPS（越低越好）：感知相似度提升，視覺效果更貼近 Ground Truth；
• VBench 多項指標（圖像質量、主體一致性、背景連續性等）均優于 SVG。

特別是在高稀疏率（如 75%~90%）設置下，DraftAttention 能更好保留視頻的時空一致性和關鍵結構，而 SVG 等靜態方法則常出現模糊、斷幀等質量劣化現象。

同時，我們測試了在 H100 和 A100 GPU 上的加速效果：

• 在 NVIDIA H100 和 A100 GPU 上，DraftAttention 實現了最高 1.75 的端到端推理加速；
• 加速效果隨視頻長度、分辨率、稀疏率同步提升，展現出優越的擴展性；
• 得益于 token 重排策略，生成過程中稀疏注意力更具硬件親和性，執行效率顯著提升。
  

另外，我們也提供以下視頻生成結果的直接對比：

Prompt: "The banks of the Thames, as the camera moves vertically from low to high."

Dense 

Sparse VideoGen 

DraftAttention 

Prompt: "On the green grass, the white-walled Leaning Tower of Pisa stands tall. The camera moves vertically from top to bottom during filming."

Dense 

Sparse VideoGen

DraftAttention

Prompt: "A blue long dress fell from the balcony clothes rack and dropped into the water on the ground."

Dense

Sparse VideoGen

DraftAttention

Prompt: "Realistic, High-quality. A woman is drinking coffee at a café."

input image

Dense

DraftAttention

總結與展望

DraftAttention 提供了一種簡潔而高效的解決方案：通過低分辨率草圖引導、結構化稀疏掩碼生成與硬件友好的 token 重排，不僅顯著提升了視頻擴散模型的推理效率，還在高稀疏率下保持了出色的生成質量。其「無需訓練、即插即用、動態可調、適配主流模型與硬件」的特性，使其具備良好的工程可落地性和研究拓展性。

未來，作者計劃進一步結合量化與蒸餾等技術，繼續優化長視頻生成過程中的效率瓶頸，推動高質量視頻生成模型走向移動端、邊緣端等資源受限場景。