AI 图像生成能力持续增强，但在用户体验层面，始终面临一个核心痛点：慢。

生成一张 1024 分辨率的图片，从输入提示词到最终输出，扩散模型通常需要在高分辨率空间反复采样。画质提升的同时，等待时间也随之增长。模型能力每增强一分，推理计算成本就增加一分。

回顾主流的扩散模型加速方案：量化与高效注意力机制等方法，往往与特定硬件深度绑定；步数蒸馏需要高成本微调，且训练过程不够稳定；特征缓存类方法需要动态识别与缓存中间特征，加速比很难突破 5 倍。

那么，是否存在一种方式，既不依赖特定硬件，无需蒸馏微调，也无需运行时动态识别，就能显著提升图像生成速度？

来自北京航空航天大学、南洋理工大学、苏黎世联邦理工学院的研究团队，提出了一种简洁有效的方案：

先生成低分辨率草图，再放大尺寸，最后在高分辨率下精修细节。

MrFlow（Multi-Resolution Flow Matching 全称）通过这套三阶段流程，在 Qwen-Image 等模型上将端到端生成时间从 49.32 秒压缩至 4.77 秒，实现 10.35 倍的实际加速。

论文发布当日即登上 Hugging Face Daily Papers；三天内 GitHub 收获超过 200 星；目前也已进入 Hugging Face Trending Papers。

与此同时，社区创作者已围绕 MrFlow 展开尝试、讨论与扩展：

回到 MrFlow 本身，为什么如此简单的流程能带来 10 倍量级的端到端加速？

加速来源详解

MrFlow 默认的强加速配置为 12+1：

• 低分辨率阶段运行 12 步采样
• 高分辨率阶段仅推理 1 步

原生高清生成中，最重的计算集中在高分辨率采样环节。MrFlow 的思路是将主要计算迁移到低分辨率阶段，高分辨率只负责细节修补。中间的 VAE 编解码、超分辨率、噪声准备等额外步骤开销不大，计入总时间后仍能实现 10 倍以上的端到端加速。

生成效果对比

在 10 倍量级的加速下，MrFlow 可稳定生成清晰干净的图像，定量指标显示质量差距控制在约 1% 以内。

Qwen-Image 样例（10.3 倍加速）：

FLUX.1-dev 样例（8.25 倍加速）：

为何采用多级分辨率策略

分析其设计思路：图像天然具有空间信息层级结构，这为降低分辨率这种朴素高效的生成方式提供了基础。主体是谁、位置在哪里、姿态如何、构图是否合理、整体语义是否与提示词匹配——这些信息并不一定需要在高分辨率空间从头计算。较低分辨率几乎不会严重破坏原有语义，能够保持整体空间结构，同时图像 token 数量可实现平方级减少。

MrFlow 正是抓住这一机会：先低成本生成结构，最后精修细节，两者之间由预训练的超分辨率模型直接衔接。

各步骤细节剖析

第一步：低分辨率结构生成

首先让原始模型在低分辨率潜在空间生成图像，负责全局结构：主体、布局、语义、色彩氛围。低分辨率的优势直接体现在：图像 token 平方级减少，每一步计算成本降低；低频结构更易收敛，总步数也可减少。

第二步：像素空间超分辨率

随后将低分辨率结果解码为图像，再进行超分辨率以提升分辨率。这里的关键选择是：不在潜在空间直接放大，而是在像素空间放大。因为在潜在空间上采样虽然看似省事，却容易引发局部模糊、纹理混乱、结构破坏等问题。像素空间超分辨率相当于在已确定的画面上继续加工：保留结构、补充细节，且能充分利用现有先进预训练超分模型。

论文还专门比较了不同超分策略。直接插值和部分基于回归损失训练的超分模型容易模糊，扩散式超分可能错误修改局部语义，而 Real-ESRGAN 等基于 GAN 的超分模型在清晰度、稳定性和速度之间更为均衡。

第三步：添加微量噪声，高清修缮

超分后的图像已接近高清效果，但仍存在局部细节不清或语义混乱，尤其在涉及文字生成时。原因在于：超分网络不理解提示词，可能补出视觉合理但语义不正确的纹理。MrFlow 将超分图像重新编码至潜在空间后，先注入低强度噪声（通常约 0.12 强度）以准备下一步重写。由于超分未改变主体的低频信息，且补充的高频信息中仅少部分需要修缮，因此只需低噪声进行高频信号覆写。最后交由原始流匹配模型进行单步高分辨率精修。仅需 1 步的原因是：前期的低分辨率生成加超分已提供充分的有效信息，覆写错误信号所需的噪声强度很低，高分辨率推理起点自然落在靠近干净图像的轨迹上，沿直线方向单步采样即可。

与其他免训练加速方法的优势对比

结合性能权衡曲线与实现方式来看，MrFlow 优势显著：配置灵活、高效准确、代码简洁。Geneval 测试指标-加速比折线稳居图像右上角，稳定优于其他各类免训练加速方法。

其中，在 4 倍以上的端到端加速比下，Cache 类方法很快出现崩溃。而其他多级分辨率加速方法，大多在潜在空间做上采样，容易导致模糊、伪影、局部结构变形，且在不同模型上的泛化性存在明显差异。从视觉对比来看，这类方法与 MrFlow 的差异比测试指标更显著：在高加速比下它们常出现局部纹理塌陷或结构不稳定，而 MrFlow 的细节保留更干净。

将各类方法生成的图像并列对比，同样可见趋势：MrFlow 在免训练方法中实现了最佳的速度-质量平衡；与蒸馏类方法结合后，还能进一步叠加加速效果。

Qwen-Image 对比示例：

FLUX.1-dev 对比示例：

兼容先进模型，并与时间步蒸馏正交结合

论文及开源仓库已覆盖多种先进模型：

值得注意的是，MrFlow 还能与时间步蒸馏模型叠加使用，相比原始 50 步基础模型实现 25 倍以上加速。也就是说，如果你已有 Pi-Flow、Z-Image-Turbo 等蒸馏模型，MrFlow 无需重新训练一套组合方案，可直接对接现有权重继续提速。

完整开源，含 ComfyUI 插件

作者在 GitHub 仓库中已整理好一键运行的最小演示及各模型的完整参数化示例。除常规算法代码外，还直接提供了 ComfyUI 插件示例，社区创作者可即开即用。目前社区中已有 MrFlow 在 Krea-2 等最新模型上的实现。

补充讨论

多级分辨率策略在过往工作中已有迹可循：社区中的 Hires.fix 流程同样在像素空间引入超分。不同点在于，MrFlow 并非旨在将预训练模型推向更高分辨率，而是聚焦于训练能力范围内的生成加速，并通过系统实验拆解了流程有效的原因。换言之，MrFlow 讨论的不是“能否画得更大”，而是“既然模型已会画，能否减少高分辨率空间中的不必要计算”。沿着这个问题，低分辨率阶段先完成整体布局，高分辨率阶段补足细节，是一种更有针对性的算力分配方式。

更合理地规划计算的粗细粒度——这正是 MrFlow 简单却有效的根本原因。

论文题目：Multi-Resolution Flow Matching: Training-Free Diffusion Acceleration via Staged Sampling

论文链接：https://arxiv.org/abs/2607.01642

代码链接：https://github.com/Xingyu-Zheng/MrFlow

Hugging Face Daily Paper：https://huggingface.co/papers/date/2026-07-03

Hugging Face Trending Papers：https://huggingface.co/papers/trending