多分辨率流量匹配：无需训练 通过分级采样进行扩散加速

用于加速文本到图像扩散的与硬件无关的策略（例如时间步长 蒸馏 和特征缓存）可以减少推理时间，而无需自定义内核或系统级优化。其中，多分辨率生成策略最近受到了广泛关注，在没有任何训练的情况下获得了超过 5 倍的加速。然而，在潜在空间中执行上采样的设计以及对部分区域的选择性修改，导致这些方法表现出明显的模糊或伪影。为此，我们提出了 MrFlow，这是一种 无需训练 多分辨率加速策略，用于构建在分阶段的低到高分辨率管道上的预训练流匹配模型。 MrFlow首先以低分辨率快速生成主要结构，然后使用轻量级预训练的基于GAN的模型在像素空间中执行超分辨率，随后注入低强度噪声以实现高频重采样，最后以高分辨率细化细节。 FLUX.1-dev和Qwen-Image上的定量和定性结果表明，MrFlow利用二次词元减少和低分辨率采样减少步骤要求，实现了10倍的端到端加速，同时将OneIG相对于加速前的差距保持在1%以内，显着超越其他无需训练加速策略，并且不需要任何训练或运行时动态识别。 MrFlow 还可以直接与预训练的时间步长 蒸馏 策略正交组合，实现高达 25 倍的更高生成加速。