[논문] Multi-Resolution Flow Matching: 단계별 샘플링을 통한 학습 불필요 확산 모델 가속화
[Paper] Multi-Resolution Flow Matching: Training-Free Diffusion Acceleration via Staged Sampling
핵심 요약
학습 없이 확산 모델의 추론 속도를 최대 25배까지 높이는 다해상도 가속 전략 'MrFlow'가 공개되었습니다.
- 학습 불필요 — 파인튜닝이나 모델 재학습 없이 즉시 적용 가능함
- 다해상도 파이프라인 — 저해상도 구조 생성 후 픽셀 공간에서 초해상도 및 세부 묘사 수행함
- 뛰어난 가속 성능 — Qwen-Image 기준 최대 10배, 기존 기법과 결합 시 25배 속도 향상함
- 범용성 확보 — FLUX.1, Qwen-Image 등 다양한 모델군에서 호환됨
타임스텝 증류(timestep distillation)나 피처 캐싱(feature caching)처럼 하드웨어에 구애받지 않는 텍스트-투-이미지 디퓨전 가속 전략은 커스텀 커널이나 시스템 레벨 최적화 없이도 추론 시간을 줄여줌. 그중에서도 멀티 해상도 생성 전략은 최근 별도의 학습 없이도 5배 이상의 속도 향상을 보여주면서 주목받는 중임. 근데 잠재 공간(latent space)에서 업샘플링을 수행하고 특정 영역만 골라서 수정하는 방식 때문에 결과물에 눈에 띄는 블러 현상이나 아티팩트가 생기는 문제가 있음. 그래서 우리는 학습이 필요 없는 멀티 해상도 가속 전략인 MrFlow를 제안함. 이건 저해상도에서 고해상도로 넘어가는 단계적 파이프라인을 기반으로 하는 사전 학습된 플로우 매칭 모델용 가속 전략임. MrFlow는 먼저 저해상도에서 빠르게 메인 구조를 뽑아내고, 가벼운 사전 학습 GAN 기반 모델을 써서 픽셀 공간에서 초해상도(super-resolution) 작업을 거친 뒤, 고주파수 재샘플링을 위해 약한 노이즈를 주입하고 마지막으로 고해상도에서 디테일을 다듬음. FLUX.1-dev와 Qwen-Image에서 정량적, 정성적 결과를 뽑아본 결과, MrFlow는 저해상도 샘플링의 이차 토큰 감소와 단계 감소를 활용해서 OneIG를 가속 전 대비 1% 오차 범위 내로 유지하면서도 10배의 엔드투엔드 가속을 달성함. 이건 다른 학습 불필요 가속 전략들을 압도하는 수준이고, 별도의 학습이나 런타임 동적 식별도 전혀 필요 없음. MrFlow는 사전 학습된 타임스텝 증류 전략과도 직접적으로 결합할 수 있어서, 최대 25배까지 더 빠른 생성 가속이 가능함.
주요 특징
https://github.com/Xingyu-Zheng/MrFlow#-highlights
- 학습 불필요 배포. 파인튜닝, 학습된 업샘플러, 모델별 재학습 같은 거 전혀 필요 없음.
- 커스텀 커널 없음. 표준 PyTorch, Diffusers 파이프라인, 스케줄러 제어만 사용해서 구현함.
- 강력한 고속 모드. MrFlow는 시각적 품질을 유지하면서도 Qwen-Image에서 10배 이상의 엔드투엔드 속도 향상을 보여줌.
- 증류 모델과 호환. Pi-Flow나 FLUX-schnell 같은 사전 학습된 타임스텝 증류 모델과도 같은 파이프라인으로 결합 가능.
- 콤팩트한 단계적 설계. Qwen-Image, FLUX.1-dev, FLUX.2 Klein, Z-Image 제품군 전반에서 그대로 적용됨.
뉴스
https://github.com/Xingyu-Zheng/MrFlow#-news
- [2026/07] 💡 Practical Tips 섹션을 추가했으니 다들 유용한 관찰 결과나 팁 있으면 공유 좀.
- [2026/07] 🌱 을 열었음. 개발자들끼리 MrFlow 포트, 워크플로우, 실험 결과 공유하는 거 환영함.
