题目：Mean Flows for One-step Generative Modeling

论文地址：https://arxiv.org/pdf/2505.13447

创新点

• 传统Flow Matching方法通过瞬时速度场（Instantaneous Velocity）指导模型训练，但需依赖时间积分计算轨迹，导致一步生成时误差累积。本文首次提出平均速度场的概念，定义为瞬时速度在时间区间上的积分平均值。

• 现有一步生成模型（如Consistency Models）通常需要依赖预训练的多步模型进行蒸馏，或通过课程学习逐步约束时间域，训练过程复杂且不稳定。MeanFlow完全自包含，其训练仅需随机采样时间点对(r,t)，并通过神经网络直接拟合平均速度场，无需任何外部模型或分阶段训练。

方法

本文主要研究方法围绕基于平均速度场的一步生成建模框架（MeanFlow）展开，其核心是通过引入平均速度场替代传统瞬时速度场，构建自包含的神经网络训练体系，实现高效的一步生成。

MeanFlow框架及其在ImageNet上的性能突破

本图提出的MeanFlow框架通过引入平均速度场（Average Velocity）替代传统瞬时速度场，实现了ImageNet 256×256数据集上的一步高质量生成（1-NFE）。生成图像示例展示了16张由MeanFlow生成的样本，涵盖动物、交通工具等复杂类别，图像细节（如猫的毛发、飞机的结构）逼真，语义清晰，表明模型能高效捕捉真实数据分布。

条件流与边际流的对比图示

本图通过示意图与数学定义，对比了Flow Matching方法中条件速度场（Conditional Flow）与边际速度场（Marginal Flow）的差异，阐明了MeanFlow框架对传统方法的改进逻辑。本图通过对比条件流与边际流，揭示了Flow Matching中速度场的多值性与训练目标的不确定性问题，为MeanFlow引入平均速度场提供了理论动机。边际速度场作为传统方法的底层目标，其积分导致的轨迹弯曲问题，被MeanFlow的平均速度场定义直接规避，为高效一步生成奠定了基础。

平均速度场实现直线路径生成

本图通过二维可视化对比了MeanFlow框架与传统边际流匹配（Marginal Flow Matching）的生成轨迹，直观揭示了平均速度场在优化生成路径中的核心作用。图中左侧展示了边际流匹配的生成轨迹，图中右侧展示了MeanFlow的生成轨迹。本图通过轨迹可视化揭示了传统边际流匹配的路径低效性问题，并阐明MeanFlow通过平均速度场实现直线路径生成的机制。这一改进不仅简化了神经网络的训练目标（从拟合复杂速度场到拟合线性位移），更从根本上提升了一步生成的稳定性与质量，为高分辨率实时生成任务提供了关键技术突破。

实验

本表通过系统对比MeanFlow与主流生成模型在ImageNet 256×256数据集上的性能，全面验证了其单次评估（1-NFE）下实现高质量生成的核心优势。表格横向罗列了不同方法（包括传统扩散模型DDPM、NCSN++，单步生成模型iCT、Shortcut，以及基于矩匹配的IMM），纵向展示了两项关键指标：FID（衡量生成质量，值越低越好）与NFE（反映计算效率，值越低代表生成步骤越少）。数据显示，传统扩散模型（如DDPM）虽能通过数千步迭代（NFE≥1000）达到较低FID（2.92），但计算成本极高，难以应用于实时场景；单步基线方法（如iCT、Shortcut）虽将NFE压缩至1，但生成质量大幅下降（FID≥110），表明其无法平衡效率与质量；IMM通过引入归纳矩匹配将FID优化至7.77，但其实际依赖2步引导（NFE=2），且需复杂训练技巧（如课程学习），训练流程繁琐。相比之下，MeanFlow以NFE=1实现FID=3.43，不仅较最优基线IMM提升56.2%（FID降低4.34），更接近多步模型DDPM的水平（仅高0.51），同时完全摒弃预训练、蒸馏等额外步骤，训练过程简洁高效。