La capacidad de la IA para generar imágenes es cada vez mayor, pero la sensación del usuario sigue siendo una: lento.
Para una imagen de 1024 píxeles, desde el prompt hasta el resultado, el modelo de difusión suele necesitar muestrear repetidamente en un espacio de alta resolución. La calidad mejora, pero también lo hace el tiempo de espera. Cuanto más potente es la capacidad, más caro es el coste de inferencia.
Entre los métodos principales de aceleración de modelos de difusión en el pasado, métodos como la cuantificación o los mecanismos de atención eficientes dependen fuertemente de la colaboración del hardware; la destilación por pasos (step distillation) depende de un costoso ajuste fino y el entrenamiento suele ser inestable; los métodos de almacenamiento en caché de características (feature caching) requieren la identificación dinámica y el almacenamiento en caché de características intermedias, y su factor de aceleración difícilmente supera las 5x.
¿Sería posible acelerar directamente la generación de imágenes sin depender de hardware específico, sin destilar ni ajustar el modelo, y sin necesidad de realizar identificación dinámica en tiempo de ejecución?
Un equipo de investigación de la Universidad de Beihang, NTU y ETH hizo recientemente un intento muy sencillo:
Primero un boceto en baja resolución, luego ampliarlo y finalmente un retoque final en alta resolución.
MrFlow (Multi-Resolution Flow Matching) utiliza este proceso de tres etapas para reducir el tiempo total de generación (end-to-end) en modelos como Qwen-Image, pasando de 49.32s a 4.77s, logrando una aceleración real de 10.35x.
El día de su publicación, el artículo fue destacado en Hugging Face Daily Papers; en tres días, el repositorio de GitHub acumuló más de 200 estrellas; y también ha aparecido en Hugging Face Trending Papers.
Mientras tanto, los creadores de la comunidad ya han empezado a experimentar, discutir y expandir en torno a MrFlow:
Volviendo a MrFlow, ¿cómo puede un proceso tan simple lograr una aceleración de 10 veces en todo el flujo?
Veamos primero el origen de la aceleración
La configuración de aceleración fuerte por defecto de MrFlow es 12+1:
- Fase de baja resolución: 12 pasos de inferencia
- Fase de alta resolución: solo 1 paso de inferencia
En la generación nativa de alta definición, el cálculo más pesado recae en el muestreo de alta resolución. MrFlow traslada la mayor parte de este trabajo a la fase de baja resolución, dejando que la alta resolución solo realice un corto refinamiento de detalles. Los pasos adicionales intermedios (como el codificador VAE, el súper remuestreo y la preparación del ruido) no tienen un coste computacional significativo, y aún con ellos incluidos en el tiempo total se logra una aceleración de más de 10 veces de extremo a extremo.
Veamos ahora los resultados de generación
Con una aceleración de un orden de magnitud de 10x, MrFlow puede generar imágenes claras y limpias de manera estable. Las métricas cuantitativas muestran que la diferencia se mantiene dentro de aproximadamente un 1%.
Ejemplo en Qwen-Image (aceleración 10.3x):
Ejemplo en FLUX.1-dev (aceleración 8.25x):
¿Por qué adoptar múltiples resoluciones?
Analicemos el razonamiento de diseño: La estructura natural de la información espacial de las imágenes proporciona una base para una generación eficiente y sencilla mediante la reducción de resolución. Determinar quién es el sujeto principal, su ubicación, pose, composición general y si la semántica global coincide con el prompt no necesariamente requiere calcular desde cero directamente en un espacio de alta resolución. Una resolución más baja casi no destruye la información semántica original, puede mantener la estructura espacial global y, simultáneamente, el número de tokens de imagen se reduce cuadráticamente.
Lo que MrFlow aprovecha es precisamente esta oportunidad: Generar primero la estructura de forma económica y luego refinar los detalles. Y entre ambos pasos se puede conectar directamente mediante un modelo preentrenado de súper resolución.
Detalles de cada paso
Paso 1: Generación de estructura en baja resolución
Primero, se deja que el modelo original genere una imagen en un espacio latente de baja resolución. Este paso es responsable de la estructura global: sujeto principal, composición, semántica, atmósfera de color.
Los beneficios de la baja resolución son directos:
- Los tokens de imagen se reducen cuadráticamente, haciendo que cada paso sea más económico.
- La estructura de baja frecuencia es más fácil de converger, por lo que también se puede reducir el número total de pasos.
Paso 2: Retorno al espacio de píxeles para súper resolución
A continuación, el resultado de baja resolución se decodifica en una imagen y se aplica súper resolución para aumentar la resolución.
Aquí hay una decisión clave: No realizar la ampliación directamente en el espacio latente, sino en el espacio de píxeles.
Porque el sobremuestreo (upsampling) en el espacio latente, aunque parezca conveniente, tiende a causar problemas en el procesamiento posterior, como desenfoque local, texturas desordenadas o estructuras rotas. La súper resolución en el espacio de píxeles se asemeja más a continuar trabajando sobre una composición ya definida: se preserva la estructura y se complementan los detalles, además de poder aprovechar plenamente los avanzados modelos preentrenados de súper resolución existentes.
En el artículo se comparan específicamente diferentes estrategias de súper resolución. La interpolación directa y algunos modelos de súper resolución entrenados con pérdidas basadas en regresión tienden a generar desenfoque; la súper resolución por difusión puede alterar la semántica local; mientras que modelos basados en GAN como Real-ESRGAN ofrecen un mejor equilibrio entre nitidez, estabilidad y velocidad.
Paso 3: Añadir un poco de ruido y luego refinar en alta definición
La imagen después de la súper resolución ya se asemeja a una imagen en alta definición, pero aún puede tener detalles locales inevitablemente poco claros o confusión semántica, especialmente cuando se trata de generación de texto. La razón es simple: la red de súper resolución no entiende el prompt, por lo que puede generar texturas que parezcan plausibles pero no sean semánticamente correctas.
Por lo tanto, MrFlow recodifica la imagen con súper resolución de vuelta al espacio latente y luego inyecta una pequeña cantidad de ruido de baja intensidad para preparar la siguiente etapa de resobrescritura. Dado que la súper resolución no altera la información de baja frecuencia del sujeto principal y solo una pequeña parte de la información de alta frecuencia añadida necesita ser corregida, normalmente solo es necesario volver a añadir un ruido con una intensidad de alrededor de 0.12 para sobrescribir las señales de alta frecuencia.
Finalmente, se pasa al modelo original de flow-matching para realizar un refinamiento de un solo paso en alta resolución. Solo se necesita 1 paso porque la información efectiva de la generación en baja resolución más la súper resolución anterior ya es suficientemente completa. El punto de partida de la inferencia en alta resolución cae naturalmente en una trayectoria cercana a la imagen limpia debido a la baja intensidad del ruido añadido para sobrescribir señales erróneas, por lo que basta con un muestreo de un solo paso a lo largo de una línea recta.
Comparado con otros métodos de aceleración sin entrenamiento, ¿en qué es mejor?
Considerando las curvas de equilibrio (trade-off) y la implementación del método, las ventajas de MrFlow son significativas: configuración flexible, eficiencia y precisión, código simple. La curva de métricas de prueba Geneval frente a la tasa de aceleración se ubica firmemente en la esquina superior derecha de la gráfica, superando de manera estable a otros métodos de aceleración sin entrenamiento.
Entre ellos, con tasas de aceleración de extremo a extremo superiores a 4x, los métodos basados en Caché rápidamente enfrentan problemas de colapso.
En cuanto a otros métodos de aceleración multirresolución, que realizan sobremuestreo en el espacio latente, tienden a generar desenfoque, artefactos o deformación de estructuras locales, y su capacidad de generalización varía notablemente entre diferentes modelos. En la comparación visual, la diferencia entre estos métodos y MrFlow es más evidente que en las métricas de prueba: aquellos métodos, con altas tasas de aceleración, a menudo presentan colapso de texturas locales o inestabilidad estructural, mientras que MrFlow preserva los detalles de manera más limpia.
Al comparar las imágenes generadas por los distintos métodos, se observa la misma tendencia: MrFlow logra el mejor equilibrio velocidad-calidad entre los métodos sin entrenamiento; y al combinarse con métodos de destilación (distillation), se puede lograr una aceleración adicional.
Ejemplo comparativo en Qwen-Image:
Ejemplo comparativo en FLUX.1-dev:
Aplicable a todos los modelos avanzados, y se puede combinar ortogonalmente con la destilación de pasos temporales
El artículo y el repositorio de código abierto ya cubren varios modelos avanzados:
Es notable que también puede combinarse con modelos de destilación de pasos temporales (time-step distillation), logrando una aceleración superior a 25x en comparación con el modelo base original de 50 pasos. Es decir, si ya tienes modelos destilados como Pi-Flow o Z-Image-Turbo, MrFlow no requiere volver a entrenar una solución combinada, sino que puede acelerar directamente los pesos existentes.
Código completamente abierto, incluye complemento para ComfyUI
Los autores han preparado en el repositorio de GitHub una demo mínima para ejecutar con un clic y ejemplos parametrizados completos para varios modelos.
Además del código algorítmico habitual, también han publicado directamente un ejemplo de complemento para ComfyUI, para que los creadores de la comunidad puedan usarlo inmediatamente. Actualmente, en la comunidad ya hay implementaciones de MrFlow en modelos más recientes como Krea-2.
Discusión adicional
Las estrategias multirresolución tienen precedentes en trabajos anteriores: flujos como Hires.fix en la comunidad también han introducido la súper resolución en el espacio de píxeles. La diferencia es que MrFlow no busca llevar el modelo preentrenado a un dominio de dibujo de mayor resolución, sino que se centra en acelerar la generación dentro de sus capacidades de entrenamiento, y desglosa mediante experimentos sistemáticos por qué su flujo es efectivo.
En otras palabras, MrFlow no trata sobre "si se puede dibujar a mayor tamaño", sino sobre "dado que el modelo ya sabe dibujar, ¿se puede evitar hacer cálculos innecesarios en el espacio de alta resolución?". Para abordar esta cuestión, completar primero el diseño general en la etapa de baja resolución y luego complementar los detalles en la etapa de alta resolución es una forma de asignar la potencia de cálculo de manera más dirigida.
Planificar de manera más razonable la granularidad del cálculo grueso y fino, esa es la razón por la que MrFlow es simple pero efectivo.
Título del artículo: Multi-Resolution Flow Matching: Training-Free Diffusion Acceleration via Staged Sampling
Enlace al artículo: https://arxiv.org/abs/2607.01642
Enlace al código: 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
Este artículo proviene del WeChat Official Account "Quantum Bit", autor: Equipo de MrFlow
