Flux plus droit et plus rapide : Modélisation générative efficace en une étape via MeanFlow sur des trajectoires redressées
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
Les modèles génératifs à flux ont récemment démontré des performances remarquables, mais l'échantillonnage repose généralement sur une intégration numérique coûteuse d'équations différentielles ordinaires (EDO). Rectified Flow permet un échantillonnage en une étape en apprenant des chemins de probabilité quasi rectilignes, mais atteindre une telle rectitude nécessite de multiples itérations de reflux computationnellement intensives. MeanFlow réalise une génération en une étape en modélisant directement la vitesse moyenne dans le temps ; cependant, lorsqu'il est entraîné sur des flux fortement courbés, il souffre d'une convergence lente et d'une supervision bruitée. Pour résoudre ces limitations, nous proposons Rectified MeanFlow, un cadre qui modélise le champ de vitesse moyenne le long de la trajectoire rectifiée en utilisant seulement une seule étape de reflux. Cela élimine le besoin de trajectoires parfaitement rectilignes tout en permettant un entraînement efficace. De plus, nous introduisons une heuristique de troncature simple mais efficace qui vise à réduire la courbure résiduelle et à améliorer davantage les performances. Des expériences approfondies sur ImageNet aux résolutions 64, 256 et 512 montrent que Re-MeanFlow surpasse constamment les méthodes antérieures de distillation de flux en une étape et les méthodes Rectified Flow, tant en qualité d'échantillon qu'en efficacité d'entraînement. Le code est disponible à l'adresse 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.