Flusso Più Lineare e Veloce: Modellazione Generativa Efficiente One-Shot tramite MeanFlow su Traiettorie Rettificate
Flow Straighter and Faster: Efficient One-Step Generative Modeling via MeanFlow on Rectified Trajectories
November 28, 2025
Autori: Xinxi Zhang, Shiwei Tan, Quang Nguyen, Quan Dao, Ligong Han, Xiaoxiao He, Tunyu Zhang, Alen Mrdovic, Dimitris Metaxas
cs.AI
Abstract
I modelli generativi basati su flusso hanno recentemente dimostrato prestazioni elevate, ma il campionamento si basa tipicamente sulla costosa integrazione numerica di equazioni differenziali ordinarie (ODE). Rectified Flow consente un campionamento in un singolo passo apprendendo traiettorie di probabilità quasi rettilinee, ma il raggiungimento di tale linearità richiede multiple iterazioni di reflow computazionalmente intensive. MeanFlow realizza la generazione in un passo modellando direttamente la velocità media nel tempo; tuttavia, quando addestrato su flussi altamente curvati, soffre di convergenza lenta e supervisione rumorosa. Per affrontare queste limitazioni, proponiamo Rectified MeanFlow, un framework che modella il campo di velocità media lungo la traiettoria rettificata utilizzando un solo passo di reflow. Ciò elimina la necessità di traiettorie perfettamente raddrizzate consentendo al contempo un addestramento efficiente. Inoltre, introduciamo un'euristica di troncamento semplice ma efficace che mira a ridurre la curvatura residua e a migliorare ulteriormente le prestazioni. Esperimenti estensivi su ImageNet a risoluzioni 64, 256 e 512 mostrano che Re-MeanFlow supera costantemente i precedenti metodi di distillazione di flusso a un passo e Rectified Flow sia nella qualità del campione che nell'efficienza dell'addestramento. Il codice è disponibile all'indirizzo 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.