Flujo Más Recto y Rápido: Modelado Generativo Eficiente en un Solo Paso mediante MeanFlow en Trayectorias Rectificadas
Flow Straighter and Faster: Efficient One-Step Generative Modeling via MeanFlow on Rectified Trajectories
November 28, 2025
Autores: Xinxi Zhang, Shiwei Tan, Quang Nguyen, Quan Dao, Ligong Han, Xiaoxiao He, Tunyu Zhang, Alen Mrdovic, Dimitris Metaxas
cs.AI
Resumen
Los modelos generativos basados en flujos han demostrado recientemente un alto rendimiento, aunque el muestreo normalmente depende de la costosa integración numérica de ecuaciones diferenciales ordinarias (EDO). Rectified Flow permite el muestreo en un solo paso aprendiendo trayectorias de probabilidad casi rectas, pero lograr dicha rectitud requiere múltiples iteraciones computacionalmente intensivas de reflujo. MeanFlow logra la generación en un paso mediante el modelado directo de la velocidad promedio en el tiempo; sin embargo, cuando se entrena con flujos altamente curvados, sufre de convergencia lenta y supervisión ruidosa. Para abordar estas limitaciones, proponemos Rectified MeanFlow, un marco que modela el campo de velocidad media a lo largo de la trayectoria rectificada utilizando solo un único paso de reflujo. Esto elimina la necesidad de trayectorias perfectamente rectificadas al tiempo que permite un entrenamiento eficiente. Además, introducimos una heurística de truncamiento simple pero efectiva que busca reducir la curvatura residual y mejorar aún más el rendimiento. Experimentos exhaustivos en ImageNet con resoluciones de 64, 256 y 512 píxeles muestran que Re-MeanFlow supera consistentemente a métodos previos de destilación de flujo en un paso y a Rectified Flow, tanto en calidad de muestras como en eficiencia de entrenamiento. El código está disponible en 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.