扩散模型（Diffusion Models）正逐渐成为高质量图像生成的强大解决方案，在诸多场景下其生成质量已超越生成对抗网络（GANs）。然而，其训练与推理速度缓慢，已成为制约其在实时应用中落地的主要瓶颈。近期提出的DiffusionGAN方法通过将采样步骤从数千次大幅减少至数次，显著降低了模型运行时间，但其速度仍远落后于GAN类模型。本文旨在缩小这一速度差距，提出一种基于小波变换的新型扩散机制。该方法通过小波分解，从图像和特征两个层面分别提取低频与高频成分，并对这些成分进行自适应处理，从而实现更快速的生成过程，同时保持优异的生成质量。此外，本文还引入一种重构项（reconstruction term），有效加速了模型训练的收敛过程。在CelebA-HQ、CIFAR-10、LSUN-Church和STL-10等多个数据集上的实验结果表明，所提出的方法为实现实时、高保真扩散模型提供了关键性突破。相关代码与预训练模型已开源，地址为：\url{https://github.com/VinAIResearch/WaveDiff.git}。