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。MrFlow（Multi - 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/MrFlow
Hugging Face Daily Paper：https://huggingface.co/papers/date/2026 - 07 - 03
Hugging Face Trending Papers：https://huggingface.co/papers/trending