MFSR：ワンステップの実環境画像超解像のための平均フロウ蒸留（MeanFlow Distillation）

Abstract

拡散ベースおよびフロー（流れ）ベースのモデルは、現実世界の画像超解像（Real-ISR）を大きく前進させてきましたが、マルチステップのサンプリングにより推論が遅く、デプロイが難しいという課題があります。ワンステップ蒸留はコストを軽減しますが、多くの場合、復元品質を低下させ、さらに多くのステップで改良するための選択肢を失います。私たちは、単一ステップでフォトリアルな結果を生成しつつ、さらなる改善のための任意の少数ステップ経路も許容する、新しい蒸留フレームワークである Mean Flows for Super-Resolution（MFSR）を提案します。私たちのアプローチでは学習目標として MeanFlow を用い、任意の状態間における確率フローODE（PF-ODE）の平均速度を生徒モデルが近似できるようにします。これにより、明示的なロールアウト（展開）なしで教師のダイナミクスを効果的に捉えられます。さらに、事前学習済みの生成的事前知識（プリオリ）をより活用するために、元の MeanFlow の Classifier-Free Guidance（CFG）表現を、教師CFG蒸留戦略とともに改善します。これにより、復元能力が向上し、微細なディテールも維持されます。合成データおよび現実世界のベンチマークの両方での実験により、MFSR は効率的で柔軟性が高く、かつ高品質な超解像を達成し、マルチステップの教師と同等、あるいはそれ以上の結果を、計算コストを大幅に低くして実現することが示されています。