Течение прямее и быстрее: эффективное одношаговое генеративное моделирование с помощью MeanFlow на выпрямленных траекториях

Flow Straighter and Faster: Efficient One-Step Generative Modeling via MeanFlow on Rectified Trajectories

November 28, 2025

Авторы: Xinxi Zhang, Shiwei Tan, Quang Nguyen, Quan Dao, Ligong Han, Xiaoxiao He, Tunyu Zhang, Alen Mrdovic, Dimitris Metaxas

cs.AI

Аннотация

Генеративные модели на основе потоков недавно продемонстрировали высокую производительность, однако выборка обычно требует дорогостоящего численного интегрирования обыкновенных дифференциальных уравнений (ОДУ). Метод Rectified Flow позволяет осуществлять одношаговую выборку путем изучения почти прямых вероятностных траекторий, но достижение такой прямолинейности требует множества вычислительно затратных итераций рефлоу. MeanFlow достигает одношаговой генерации за счет прямого моделирования средней скорости во времени; однако при обучении на сильно изогнутых потоках он страдает от медленной сходимости и зашумленного обучения. Для решения этих проблем мы предлагаем Rectified MeanFlow — фреймворк, который моделирует поле средней скорости вдоль выправленной траектории, используя всего один шаг рефлоу. Это устраняет необходимость в идеально выпрямленных траекториях, обеспечивая при этом эффективное обучение. Кроме того, мы вводим простую, но эффективную эвристику усечения, направленную на уменьшение остаточной кривизны и дальнейшее повышение производительности. Масштабные эксперименты на ImageNet с разрешениями 64, 256 и 512 показывают, что Re-MeanFlow стабильно превосходит предыдущие методы одношаговой дистилляции потоков и Rectified Flow как по качеству образцов, так и по эффективности обучения. Код доступен по адресу 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.