InstaFlow: One Step is Enough for High-Quality Diffusion-Based Text-to-Image Generation
论文的核心贡献
- 文本条件的 reflow 训练范式： 作者把 Rectified Flow 引入大规模文本到图像生成，用预训练 Stable Diffusion 生成的噪声-图像-文本配对重新训练速度场。它的作用是在保持端点分布的同时拉直生成轨迹，改善噪声与图像之间的匹配关系。相对直接蒸馏，这一步降低了学生模型需要一步拟合的非线性难度。
- InstaFlow 单步文本到图像模型： 在 reflowed model 的基础上，作者再进行一步蒸馏，让模型用单个 Euler step 从噪声到图像。论文报告称，InstaFlow 在 MS COCO 上达到接近 Stable Diffusion 级别的图像质量，并显著快于多步采样扩散模型；这些性能和“首个/超越”类表述均按论文报告处理，未在这里做跨协议可比性复核。
- 单步生成下的容量扩展： 作者进一步探索 Stacked U-Net，把两个 U-Net 串联并裁剪部分冗余模块，将模型扩展到 1.7B 参数。动机是单步模型必须在一次前向中完成多步模型分摊的复杂变换，因此需要更强的表示容量。
复杂 Pipeline 深度解析
Figure 3 说明 InstaFlow 的关键动机：原始扩散概率流的路径弯曲、coupling 不佳，先 Reflow 拉直路径，再做 one-step distillation。
逐帧图解
文字版补充
- 上面的逐帧图解只对论文原图做淡化、高亮、箭头和编号标注；被高亮区域仍是原论文图像内容。
- 每一帧只解释当前深色区域，浅色区域作为上下文保留，避免在一张复杂图里来回跳读。
- 若原图是概念图、算法伪代码或采样示意，而不是完整工程架构图，本文按辅助视觉证据解读，不把它包装成传统 pipeline。
- 图中没有直接显示的指标、速度倍数、SOTA 结论或数据集细节，仍以论文正文报告为准，不从图解中过度外推。
关键术语
Rectified Flow 在本文中是把生成过程表示为连续 ODE 流的框架。它关注如何在噪声分布和图像分布之间学习更直、更容易数值模拟的传输路径，而不是沿用扩散模型逐步去噪的离散马尔可夫链视角。
Reflow 是 Rectified Flow 中反复改进路径的过程。对 InstaFlow 来说，它的具体功能是重配对 Stable Diffusion 生成的噪声与图像，使轨迹从 curved trajectories 变成 straighter trajectories。它是后续一步蒸馏能工作的前置条件。
Coupling 指噪声样本与目标图像样本之间的匹配关系。Bad coupling 意味着从某个噪声到目标图像需要经过复杂弯曲路径；good coupling 则让噪声和图像之间更接近直线传输，降低一步学生模型的学习难度。
One-step generation / one-step distillation 指模型在推理时只用一次前向或一个 Euler step 完成从噪声到图像的生成。本文的关键判断是：一步蒸馏本身不是新概念，真正决定成败的是蒸馏前的轨迹是否足够直。
为什么 Figure 3 是论文核心
Figure 3 串联了论文最重要的贡献：它先展示旧范式直接蒸馏的失败原因，再展示 reflow 如何改变生成轨迹和 coupling，最后解释为什么 reflowed model 更适合一步蒸馏。整篇论文的实验和模型扩展都服务于这个主张：高质量单步文本到图像生成不是简单压缩采样步数，而是先把生成路径变成一步模型可以学习的形状。