何恺明团队中稿NeurIPS 2025 Oral！

主要观点总结

本文主要介绍了一种名为MeanFlow的单步生成建模框架，该框架通过引入平均速度的概念改进了现有的流匹配方法。它在ImageNet 256×256数据集上取得了显著的性能提升，无需预训练、蒸馏或课程学习。文章还描述了MeanFlow的理论框架、核心思想、方法介绍、实验效果等。

关键观点总结

关键观点1: MeanFlow框架的引入

MeanFlow是一种单步生成建模框架，通过引入平均速度的概念改进了流匹配方法，旨在将先验分布转换为数据分布。

关键观点2: MeanFlow在ImageNet数据集上的性能

在ImageNet 256×256数据集上，MeanFlow取得了显著的性能提升，FID分数达到3.43，相对性能提升达到50%到70%。

关键观点3: MeanFlow的理论框架和方法介绍

文章介绍了MeanFlow的理论框架、核心思想、方法，包括平均速度的定义、MeanFlow恒等式，以及如何通过神经网络建模平均速度场。

关键观点4: 实验效果和消融实验

文章报告了在ImageNet和CIFAR-10数据集上的实验结果，并进行了消融实验。此外，还展示了一些1-NFE的生成结果。

关键观点5: MeanFlow的优势

MeanFlow是一个自成一体的生成模型，完全从头开始训练，无需任何预训练、蒸馏或课程学习。它大幅缩小了单步扩散/流模型与多步研究之间的差距。