डिफ्यूजन मॉडल इमेज, वीडियो और ऑडियो सिंथेसिस सहित विभिन्न विधाओं में एक शक्तिशाली जेनेरेटिव मॉडल्स के रूप में उभरे हैं। हालांकि, इनके तैनाती को अक्सर महत्वपूर्ण इनफेरेंस विलंबता सीमित करती है, जिसका मुख्य कारण डिनॉइज़िंग प्रक्रिया का स्वाभाविक रूप से अनुक्रमिक होना है। जबकि मौजूदा समानांतरकरण रणनीतियाँ अनुमान को तेज करने के लिए गणना को कई उपकरणों में वितरित करती हैं, वे आमतौर पर उच्च संचार ओवरहेड उत्पन्न करती हैं, जो व्यावसायिक हार्डवेयर पर तैनाती में बाधा उत्पन्न करता है। इस चुनौती को हल करने के लिए, हम पैरास्टेप प्रस्तावित करते हैं, जो एक नया समानांतरकरण विधि है जो रियूज-थेन-प्रिडिक्ट मैकेनिज़्म पर आधारित है और पड़ोसी डिनॉइज़िंग चरणों के बीच समानता का उपयोग करके डिफ्यूजन अनुमान को समानांतर करता है। पिछली विधियों के विपरीत जो लेयर-वार या स्टेज-वार संचार पर निर्भर थीं, पैरास्टेप हल्के, कदम-दर-कदम संचार का उपयोग करता है, जिससे ओवरहेड में भारी कमी आती है। पैरास्टेप SVD पर 3.88, CogVideoX-2b पर 2.43, और AudioLDM2-large पर 6.56 तक एंड-टू-एंड गति वृद्धि प्राप्त करता है, जबकि जनरेशन गुणवत्ता बनाए रखता है। ये परिणाम पैरास्टेप को डिफ्यूजन अनुमान को तेज करने के लिए एक स्केलेबल और संचार-कुशल समाधान के रूप में उजागर करते हैं, विशेष रूप से बैंडविड्थ-सीमित वातावरण में।
वांग एट अल. (Tue,) ने इस प्रश्न का अध्ययन किया।