Flua Mais Reto e Rápido: Modelagem Generativa Eficiente em Um Passo via MeanFlow em Trajetórias Retificadas
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
Resumo
Os modelos generativos baseados em fluxo demonstraram recentemente forte desempenho, mas a amostragem normalmente depende da integração numérica dispendiosa de equações diferenciais ordinárias (EDOs). O Rectified Flow permite amostragem em uma etapa ao aprender trajetórias de probabilidade quase retas, mas alcançar essa retidão requer múltiplas iterações de reflow computacionalmente intensivas. O MeanFlow consegue geração em uma etapa modelando diretamente a velocidade média ao longo do tempo; no entanto, quando treinado em fluxos altamente curvos, sofre de convergência lenta e supervisão ruidosa. Para lidar com essas limitações, propomos o Rectified MeanFlow, uma estrutura que modela o campo de velocidade média ao longo da trajetória retificada usando apenas uma única etapa de reflow. Isso elimina a necessidade de trajetórias perfeitamente retificadas, permitindo um treinamento eficiente. Além disso, introduzimos uma heurística de truncamento simples, mas eficaz, que visa reduzir a curvatura residual e melhorar ainda mais o desempenho. Experimentos extensivos no ImageNet nas resoluções 64, 256 e 512 mostram que o Re-MeanFlow supera consistentemente os métodos anteriores de destilação de fluxo em uma etapa e Rectified Flow, tanto na qualidade da amostra quanto na eficiência do treinamento. O código está disponível em 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.