일관성 증류 (Consistency Distillation)를 통해 몇 단계(Few-step) 비디오 생성 기술이 크게 발전했습니다. 그러나 일관성 증류 모델의 성능은 테스트 시 더 많은 샘플링 단계 (Sampling steps)가 할당될수록 종종 저하되며, 이는 Any-step 비디오 확산 (Any-step video diffusion)을 위한 효과를 제한합니다. 이러한 한계는 일관성 증류가 기존의 확률 흐름 상미분 방정식 (Probability-flow ODE) 궤적을 일관성 샘플링 (Consistency-sampling) 궤적으로 대체함으로써, ODE 샘플링의 바람직한 테스트 시 스케일링 (Test-time scaling) 동작을 약화시키기 때문에 발생합니다.

이러한 한계를 해결하기 위해, 우리는 Flow Map에 기반한 최초의 Any-step 비디오 확산 증류 프레임워크인 AnyFlow를 소개합니다. AnyFlow는 모델을 단지 몇 개의 고정된 샘플링 단계만을 위해 증류하는 대신, 전체 ODE 샘플링 궤적을 최적화합니다. 이를 위해 우리는 증류 대상을 종단점 일관성 매핑 $(z_{t}
ightarrow z_{0})$에서 임의의 시간 간격에 대한 Flow Map 전이 학습 $(z_{t}
ightarrow z_{r})$으로 전환합니다. 나아가 우리는 전체 Euler 롤아웃 (Euler rollout)을 지름길 Flow Map 전이로 분해하는 Flow Map Backward Simulation을 제안하며, 이를 통해 테스트 시 오류(즉, 몇 단계 샘플링에서의 이산화 오류 (Discretization error) 및 인과적 생성 (Causal generation)에서의 노출 편향 (Exposure bias))를 줄이는 효율적인 온-정책 증류 (On-policy distillation)를 가능하게 합니다.

1.3B에서 14B 파라미터 규모에 이르는 양방향 (Bidirectional) 및 인과적 (Causal) 아키텍처 모두에 대한 광범위한 실험을 통해, AnyFlow가 몇 단계 (Few-step) 영역에서는 일관성 기반 모델과 대등하거나 이를 능가하는 성능을 달성하는 동시에, 샘플링 단계 예산에 따라 성능이 확장됨을 입증하였습니다.