본 논문은 Flow 기반 생성 모델의 샘플링 효율성 문제를 해결하기 위해 Rectified MeanFlow (Re-MeanFlow)라는 새로운 프레임워크를 제안합니다. Re-MeanFlow는 단일 reflow 단계를 사용하여 평균 속도장을 모델링하여, 복잡한 ODE 수치 적분 없이도 고품질의 이미지를 생성할 수 있도록 합니다. 또한, 잔여 곡률을 줄이기 위한 절단 휴리스틱을 도입하여 성능을 더욱 향상시켰습니다. ImageNet 데이터셋을 사용한 실험에서 Re-MeanFlow는 기존의 one-step flow distillation 및 Rectified Flow 기법들을 능가하는 성능을 보였습니다.
시사점, 한계점
•
시사점:
◦
단일 reflow 단계를 통해 샘플링 속도를 획기적으로 향상시킴.
◦
곡률 문제를 해결하기 위한 절단 휴리스틱 제안.
◦
ImageNet 데이터셋에서 우수한 성능 입증.
◦
Rectified Flow 및 MeanFlow의 단점을 극복.
•
한계점:
◦
Re-MeanFlow의 성능이 다른 flow 기반 모델 대비 얼마나 우수한지에 대한 정량적 비교가 명확히 제시되지 않음.
