北航等团队提出MrFlow：三阶段将图像生成加速10.35倍，实现免训练方法速度 - 质量最佳平衡！
MrFlow为何能实现10倍量级端到端加速AI画图能力虽不断增强但用户仍觉速度慢。一张1024分辨率的图像扩散模型从prompt到出图需在高分辨率空间里反复采样导致质量提升的同时等待时间增加推理成本也更高。过往扩散模型的主流加速方法存在诸多局限。量化、高效Attention等方法严重依赖硬件协同步数蒸馏依赖高成本微调且训练时常不稳定特征缓存类方法需要动态识别并缓存中间特征且加速比难以超过5倍。那么是否有可能不依赖特定硬件、不蒸馏微调模型、无需运行时做动态识别就能提升图像生成速度呢来自北航、NTU、ETH的研究团队给出了简洁的解决方案先低清打草稿再放大最后高清补一笔。MrFlowMulti - Resolution Flow Matching采用这三阶段方法在Qwen - Image等模型上把端到端生成时间从49.32s压到4.77s实际加速10.35x。文章发布当日即登上Hugging Face Daily Papers发布三天内GitHub已收获200 stars目前也已登上Hugging Face Trending Papers。与此同时社区创作者们已围绕MrFlow展开尝试、讨论和扩展。加速来源MrFlow的默认强加速配置是12 1即低分辨率阶段跑12步高分辨率阶段只推理1步。原生高清生成中大量计算集中在高分辨率采样上而MrFlow将主要计算移至低分辨率阶段高分辨率阶段仅用于补充细节。中间的VAE、超分、噪声准备等额外步骤开销不大计入总时间后仍能实现10倍以上的端到端加速。生成效果在10倍量级加速下MrFlow能稳定生成清晰干净的图像定量指标显示差距可控制在约1%以内。如Qwen - Image上样例实现10.3倍加速FLUX.1 - dev上样例实现8.25倍加速。为何采用多级分辨率图像天然的空间信息结构为降低分辨率这种高效生成方式提供了条件。主体、位置、姿态、构图、整体语义等信息不一定非要在高分辨率空间里从头计算。更低的分辨率几乎不会破坏原有的语义信息能保持整体空间结构同时图像tokens数量会呈平方级减少。MrFlow抓住这一特点先以低成本生成结构最后精修细节两者通过预训练的超分辨率模型衔接。各步骤细节第一步低分辨率结构生成让原始模型在低分辨率latent空间里生成图像负责全局结构包括主体、布局、语义、颜色氛围等。低分辨率的优势明显图像token平方级减少每一步计算成本降低低频结构更易收敛总步数也可减少。第二步回到像素空间超分将低分辨率结果解码成图像再进行超分以提升分辨率。选择在像素空间放大而非latent空间是因为latent空间采样易带来局部糊、纹理乱、结构破等问题。像素空间超分可保住结构、补充细节还能充分复用先进的预训练超分模型。论文比较了不同超分策略发现基于GAN的超分模型如Real - ESRGAN在清晰度、稳定性和速度之间更均衡。第三步加一点噪声再高清修缮超分后的图像虽接近高清但仍存在局部细节不清或语义混乱问题尤其是在文本生成时。这是因为超分网络不懂prompt可能补出语义不完全正确的纹理。MrFlow会将超分图重新编码回latent空间注入低强度噪声后交给原始flow - matching模型做单步高分辨率refine。由于前面步骤提供的有效信息充分且添加的噪声强度低高分辨率推理起点靠近干净图像单步采样即可。与其他免训练加速方法相比优势何在结合trade - off曲线与方法实现来看MrFlow优势显著配置灵活、高效准确、代码简单Geneval测试指标 - 加速比折线稳居图像右上角稳定胜过其他各类免训练加速方法。在4倍以上的端到端加速比下Cache类方法易崩溃其他多级分辨率加速方法在latent空间做上采样易出现模糊、伪影、局部结构变形不同模型上的泛化性差异明显。视觉对比显示这些方法在高加速比下常出现局部纹理塌陷或结构不稳而MrFlow细节保留更干净。MrFlow在免训练方法里实现了最佳的速度 - 质量平衡与蒸馏类方法结合还能进一步叠加加速。如Qwen - Image和FLUX.1 - dev上的对比示例都体现了这一优势。适用范围与开源情况论文和开源仓库已覆盖多种先进模型MrFlow还能与时间步蒸馏模型叠加相比原始的50步基础模型达到25x以上的加速。若已有Pi - Flow、Z - Image - Turbo这类蒸馏模型MrFlow可直接接在现有权重上继续提速。作者在GitHub仓库整理了一键运行的最小demo和各模型的完整参数化示例还放出了ComfyUI插件示例社区创作者可即开即用。目前社区中已有MrFlow在Krea - 2等最新模型上的实现。补充讨论多级分辨率策略在过往工作中已有迹可循如社区里的Hires.fix流程已在pixel空间引入超分。不同的是MrFlow聚焦于训练能力范围内的生成加速通过系统实验拆解其流程有效的原因。它关注的不是“能否画得更大”而是“如何减少高分辨率空间的不必要计算”。低分辨率阶段完成整体布局高分辨率阶段补足细节是更合理的算力分配方式这也是MrFlow简单却有效的原因。论文题目Multi - Resolution Flow Matching: Training - Free Diffusion Acceleration via Staged Sampling论文链接https://arxiv.org/abs/2607.01642代码链接https://github.com/Xingyu - Zheng/MrFlowHugging Face Daily Paperhttps://huggingface.co/papers/date/2026 - 07 - 03Hugging Face Trending Papershttps://huggingface.co/papers/trending
)
