Flussgerader und schneller: Effiziente Ein-Schritt-Generative Modellierung via MeanFlow auf rektifizierten Trajektorien
Flow Straighter and Faster: Efficient One-Step Generative Modeling via MeanFlow on Rectified Trajectories
November 28, 2025
papers.authors: Xinxi Zhang, Shiwei Tan, Quang Nguyen, Quan Dao, Ligong Han, Xiaoxiao He, Tunyu Zhang, Alen Mrdovic, Dimitris Metaxas
cs.AI
papers.abstract
Flow-basierte generative Modelle haben kürzlich starke Leistungen gezeigt, doch das Sampling erfordert typischerweise teure numerische Integration gewöhnlicher Differentialgleichungen (ODEs). Rectified Flow ermöglicht One-Step-Sampling durch das Erlernen nahezu gerader Wahrscheinlichkeitspfade, das Erreichen solcher Geradlinigkeit erfordert jedoch mehrere rechenintensive Reflow-Iterationen. MeanFlow erreicht One-Step-Generierung durch direkte Modellierung der Durchschnittsgeschwindigkeit über die Zeit, leidet jedoch bei Training auf stark gekrümmten Flows unter langsamer Konvergenz und verrauschter Supervision. Um diese Einschränkungen zu adressieren, schlagen wir Rectified MeanFlow vor, ein Framework, das das mittlere Geschwindigkeitsfeld entlang der rectifizierten Trajektorie mit nur einem einzigen Reflow-Schritt modelliert. Dies eliminiert die Notwendigkeit perfekt geglätteter Trajektorien bei gleichzeitig effizientem Training. Darüber hinaus führen wir eine einfache, aber effektive Trunkierungs-Heuristik ein, die Restkrümmung reduzieren und die Leistung weiter verbessern soll. Umfangreiche Experimente auf ImageNet bei 64-, 256- und 512-Auflösungen zeigen, dass Re-MeanFlow sowohl in der Probenqualität als auch in der Trainingseffizienz konsistent bisherige One-Step-Flow-Distillations- und Rectified-Flow-Methoden übertrifft. Code ist verfügbar unter https://github.com/Xinxi-Zhang/Re-MeanFlow.
English
Flow-based generative models have recently demonstrated strong performance, yet sampling typically relies on expensive numerical integration of ordinary differential equations (ODEs). Rectified Flow enables one-step sampling by learning nearly straight probability paths, but achieving such straightness requires multiple computationally intensive reflow iterations. MeanFlow achieves one-step generation by directly modeling the average velocity over time; however, when trained on highly curved flows, it suffers from slow convergence and noisy supervision. To address these limitations, we propose Rectified MeanFlow, a framework that models the mean velocity field along the rectified trajectory using only a single reflow step. This eliminates the need for perfectly straightened trajectories while enabling efficient training. Furthermore, we introduce a simple yet effective truncation heuristic that aims to reduce residual curvature and further improve performance. Extensive experiments on ImageNet at 64, 256, and 512 resolutions show that Re-MeanFlow consistently outperforms prior one-step flow distillation and Rectified Flow methods in both sample quality and training efficiency. Code is available at https://github.com/Xinxi-Zhang/Re-MeanFlow.