AsymFlow, 픽셀 공간 SOTA

Stanford 연구진이 **Asymmetric Flow Models(AsymFlow)**를 제안했다. 고차원 pixel-space 생성에서 노이즈 예측은 저랭크 subspace로 제한하고, 데이터 예측은 전체 차원을 유지하는 rank-asymmetric velocity parameterization이다.

이 설계는 네트워크 아키텍처나 training/sampling 절차를 바꾸지 않고도 전체 velocity를 해석적으로 복원한다.

주요 결과는 다음과 같다.

• ImageNet 256x256에서 FID 1.57을 기록했다.
• 기존 DiT/JiT 계열 pixel diffusion 모델보다 큰 폭으로 앞섰다고 밝혔다.
• 미리 학습된 latent flow model을 pixel-space 모델로 fine-tuning하는 경로를 제시했다.
• FLUX.2 klein 9B 기반 AsymFLUX.2 klein은 HPSv3, DPG-Bench, GenEval에서 latent base를 넘어섰다.

저자들은 이 방식이 고수준 의미와 구조를 유지한 채, 주로 저수준 디테일과 질감을 보정하게 만든다고 설명했다.