マルチ解像度フローマッチング：段階的サンプリングによる訓練不要の拡散加速

要旨

ハードウェア非依存のテキスト画像拡散高速化戦略（タイムステップ蒸留や特徴キャッシュなど）は、カスタムカーネルやシステムレベルの最適化を必要とせずに推論時間を短縮できる。その中でも、マルチ解像度生成戦略は近年広く注目を集めており、学習を一切行わずに5倍以上の高速化を達成している。しかし、潜在空間でのアップサンプリングの設計や、部分領域の選択的修正により、これらの手法では顕著なぼけやアーティファクトが生じる。そこで本稿では、段階的な低解像度から高解像度へのパイプラインに基づく、事前学習済みフローマッチングモデルのための学習不要なマルチ解像度高速化戦略であるMrFlowを提案する。MrFlowは、まず低解像度で大まかな構造を高速に生成し、次に軽量な事前学習済みGANベースのモデルを用いてピクセル空間で超解像を実行し、その後低強度のノイズを注入して高周波成分の再サンプリングを可能にし、最後に高解像度で詳細を精緻化する。FLUX.1-devおよびQwen-Imageを用いた定量的・定性的評価により、MrFlowは低解像度サンプリングによる二次的なトークン削減とステップ数の削減を活用し、OneIGを加速前の1%以内のギャップに保ちながらエンドツーエンドで10倍の高速化を達成し、他の学習不要な高速化戦略を大幅に上回ることが示された。さらに、MrFlowは事前学習済みのタイムステップ蒸留戦略と直交的に直接組み合わせることが可能であり、最大25倍ものさらなる生成高速化を実現する。

English

Hardware-agnostic strategies for accelerating text-to-image diffusion, such as timestep distillation and feature caching, can reduce inference time without custom kernels or system-level optimization. Among them, multi-resolution generation strategies have recently received broad attention, attaining more than 5x speedup without any training. However, the design of performing upsampling in the latent space, together with the selective modification of partial regions, causes these methods to exhibit noticeable blurring or artifacts. To this end, we propose MrFlow, a training-free multi-resolution acceleration strategy for pretrained flow-matching models built upon a staged low-to-high-resolution pipeline. MrFlow first rapidly generates the main structure at low resolution, then performs super-resolution in the pixel space using a lightweight pretrained GAN-based model, subsequently injects low-strength noise to enable high-frequency resampling, and finally refines the details at high resolution. Quantitative and qualitative results on FLUX.1-dev and Qwen-Image show that MrFlow exploits the quadratic token reduction and reduced step requirement of low-resolution sampling to achieve 10x end-to-end acceleration while keeping OneIG within a 1% gap relative to that before acceleration, significantly surpassing other training-free acceleration strategies, and requiring no training or runtime dynamic identification whatsoever. MrFlow can further be directly combined orthogonally with pre-trained timestep distillation strategies, achieving even higher generation acceleration of up to 25x.