EMF：打破步数魔咒，让 MeanFlow 真正读懂文本

TL;DR

在 AI 绘画领域，“一步成像”始终是效率提升的终极梦想。然而，现有的 MeanFlow 框架在面对复杂的文本描述（Text-to-Image）时往往“反应迟钝”，容易漏画物体或理解错语义。本文提出的 EMF 成功破解了这一难题，通过增强文本表示的判别性与解耦性，让模型在 1-4 步内就能生成媲美 30 步迭代的高质量大片，推理速度提升超 10 倍。

痛点深挖：为什么“一步到位”这么难？

传统的扩散模型（Diffusion Models）像是一个细致的画家，需要几十步精雕细琢。MeanFlow 的出现本是为了通过预测“平均速度”来一蹴而就，但它在处理文本时遇到了物理直觉上的挑战：

1. 语义漂移：类别标签（如“猫”）在空间中是离散且好区分的，但文本（如“蓝色茶壶”与“红色茶壶”）在表征空间中离得极近。在只有 1 步的采样中，模型极易由于区分度不够而“跑偏”。
2. 轨迹曲率：复杂文本导致的生成轨迹非常扭曲。如果文本编码器不够强大，模型无法准确估算平均速度，导致第一步“起笔”就画错了。

上图展示了直觉差异：类别标签驱动的轨迹（左）平滑易测，而复杂文本驱动的轨迹（右）弯曲复杂。

核心算法：判别性表征的力量

作者发现，MeanFlow 能否成功的关键在于 Text Encoder 的素质。他们提出了两个核心指标：

• Discriminability（判别性）：文本特征必须能精准对应图像特征（跨 modal 对齐）。
• Disentanglement（解耦性）：长文本中的不同属性（颜色、位置、物体）不能揉成一团，必须清晰可分。

通过实验发现，基于 LLM（如 BLIP3o-NEXT）的编码器在这些指标上远超 T5 或 CLIP。

架构升级

为了适配文本条件，EMF 对 MeanFlow 的时间嵌入层进行了改造：

• 时间编码重构：不再只传入当前时间 $t$，而是同时注入时间间隔 $(t-r)$ 和终点时间 $t$，帮助模型更好地理解它要在这一步跨越“多长的路”。
• JVP 优化：利用 Jacobian-vector products 高效计算速度场导数，确保训练稳定性。

实验战绩：少即是多

在最具代表性的 GenEval（关注物体数量、颜色、位置的准确性）评测中，EMF 表现惊人：

• 4 步性能：0.90 分，直接叫板 30 步的基准模型（0.91）。
• 1 步性能：0.74 分，远超此前所有的蒸馏模型（如 SDXL-Turbo 的 0.56）。

实验数据证明，EMF 在 1 步和 2 步时的领先优势是断层式的。

可视化对比更能说明问题：在处理复杂的长提示词时，EMF 的 4 步结果比其他加速模型（如 SANA-Sprint）更贴合指令，没出现漏画物体的情况。

深度洞察与总结

EMF 的成功说明了：在生成式任务中，前端编码器的“认知深度”直接决定了后端生成器的“执行效率”。 传统的蒸馏方法通过牺牲质量换取速度，而基于 MeanFlow 的方法则是在优化生成路径的本质。

局限性：虽然 4 步已经很强，但在极致的 1 步生成下，图像的细节纹理仍有提升空间。 未来展望：这种“高质量表征引导少步生成”的思路，极有可能会成为视频生成（Video Generation）领域解决渲染成本过高问题的标准答案。