iMF革新MeanFlow：提升训练稳定性和模型性能

继今年5月推出MeanFlow (MF)之后，何恺明团队近日又推出了其最新改进版本——Improved MeanFlow (iMF)。iMF成功解决了原始MF在训练稳定性、指导灵活性和架构效率上的三大核心问题。

iMF通过将训练目标重新表述为更稳定的瞬时速度损失，同时引入灵活的无分类器指导（CFG）和高效的上下文内条件作用，大幅提升了模型性能。

在ImageNet 256x256基准测试中，iMF-XL/2模型在 1-NFE（单步函数评估）中取得了1.72的FID成绩，相较于原始MF提升了50%，证明了从头开始训练的单步生成模型可以达到与多步扩散模型相媲美的结果。

iMF的核心改进是通过重构预测函数，将训练过程转换为一个标准的回归问题。通过这一改进，iMF成功解决了原始MF在训练过程中出现的目标自依赖问题，使得训练过程更加稳定。

此外，iMF还通过灵活的无分类器指导和高效的上下文内条件作用两大突破，全面提升了MeanFlow框架的实用性和效率。这些改进使得iMF在性能上取得了显著提升，同时也提高了模型的效率和设计灵活性。

iMF在最具挑战性的ImageNet 256x256上的1-NFE中展示了卓越的性能。iMF-XL/2在1-NFE下的FID达到了1.72，将单步生成模型的性能推到了一个新的高度。

iMF的卓越表现离不开其强大的团队支持。论文的核心作者包括耿正阳、Yiyang Lu、Zongze Wu、Eli Shechtman以及何恺明教授等。他们在各自的领域都有着卓越的成就和贡献。