본 논문은 MeanFlow (MF) 모델의 효율적인 훈련 및 샘플링 방식을 개발하여, 계산 비용을 줄이고 성능을 향상시키는 데 초점을 맞추고 있다. 특히, Representation Autoencoder (RAE)의 잠재 공간에서 MF를 훈련시켜 훈련의 안정성을 확보하고, Consistency Mid-Training을 통해 훈련을 가속화한다. 또한, 사전 훈련된 Flow Matching teacher로부터의 증류를 통해 수렴 속도를 높이고, one-point velocity estimator를 사용한 부트스트래핑 단계를 통해 오라클 평균 흐름과의 편차를 줄인다. 이 결과, ImageNet 256에서 1-step FID 2.03을 달성하며 vanilla MF보다 성능이 향상되었고, 샘플링 GFLOPS와 전체 훈련 비용을 크게 감소시켰다. ImageNet 512에서도 경쟁력 있는 성능을 보였다.
