أظهرت الدراسات الحديثة أن المعادلات التفاضلية العصبية (ODEs) يمكن أن تُستخدم كنماذج توليدية للصور باستخدام منظور التدفقات العادية المستمرة (CNFs). توفر هذه النماذج حسابًا دقيقًا للارتباط الاحتمالي، وتسمح بالتوليد العكسي وتقدير الكثافة. في هذا العمل، نقدم نسخة متعددة الدقة من هذه النماذج (MRCNF)، من خلال تحديد التوزيع الشرطي للمعلومات الإضافية الضرورية لتوليد صورة دقيقة متوافقة مع الصورة الخشنة. كما نُقدّم تحويلًا بين الدقة المختلفة يضمن عدم تغير الاحتمال اللوغاريتمي. ونُظهر أن هذا النهج يحقق قيمًا مماثلة للارتباط الاحتمالي على مختلف مجموعات البيانات الصورية، مع تحسين الأداء عند الدقة العالية، وباستخدام عدد أقل من المعاملات، وباستخدام وحدة معالجة واحدة فقط (1 GPU). علاوةً على ذلك، نُجري تحليلًا لخصائص النماذج خارج نطاق التوزيع (out-of-distribution) للتدفقات العادية المستمرة (المتعددة الدقة)، ونجد أن سلوكها مشابه لسلوكيات النماذج التوليدية الأخرى القائمة على الاحتمال.