非対称フローモデル「AsymFlow」発表：VAE不要でピクセル空間から直接画像を生成

AIで画像を生成したとき、どこか不自然につるりとした「プラスチック感」が気になることは少なくありません。従来の画像生成モデルは計算コストを抑えるため、いったん画像を圧縮した「潜在空間（latent space）」で生成を行い、最後にVAEと呼ばれる機構で人間が見えるピクセル空間へ復元する仕組みをとっているからです。

研究チームはこうした制約を取り払う新手法「Asymmetric Flow Models（AsymFlow）」を発表しました。潜在空間やVAEを完全に回避し、肉眼で見えるピクセル空間上で直接画像を描き出すモデルです。

高次元ノイズを低ランクに閉じ込める

ピクセル空間での直接生成は理想的とされながらも、これまで敬遠されてきました。非圧縮の高次元空間では、画像そのものの構造だけでなくランダムな高次元ノイズまでモデルが学習しなければならず、膨大な計算リソースを浪費していたためです。

AsymFlowはこの課題を、速度ベクトルの「非対称なパラメータ化」によって解決しました。

具体的には、ノイズの予測だけを局所的な低ランク部分空間に制限し、データ自体の予測はフル次元のまま保持します。そこから解析的に全体の速度を復元するため、ネットワーク構造を変えることなく計算負荷を大幅に削減できます。

この工夫により、ノイズ予測の重荷から解放されたモデルは生成速度を40%向上させることに成功しました。ピクセル空間生成の最大の壁だった計算コストを克服した形です。

既存モデルから引き継ぎ、FLUX.2超えの質感を実証

ImageNet 256×256の検証において、AsymFlowは1.57 FIDというトップクラスの数値を記録し、従来のPixelDiTやJiTなどのピクセル拡散モデルを大きく引き離しました。

さらに実用的なのは、既存の潜在モデルをそのまま微調してピクセル空間モデルへ移行できる点です。ピクセルの低ランク部分空間を従来の潜在空間と揃えることで、事前学習済みモデルの意味理解や構図能力を壊さずに引き継ぐことができます。

研究チームが9BパラメータのFLUX.2 kleinを微調して構築した「AsymFLUX.2 klein」は、HPSv3、DPG-Bench、GenEvalの各ベンチマークで元の潜在モデルを上回りました。目視でも毛髪や布地のきめ細かなテクスチャが格段にリアルになり、特有の塗りつぶし感が解消されています。

なぜ重要か

私たちは、この成果が画像生成モデルの設計思想を根本から変える可能性があると見ています。

クリエイターにとっての最大の恩恵は、後処理や拡大アップスケーラーに頼らずとも、最初から精密な質感が手に入ることです。VAEによる不可逆な圧縮と復元を挟まないため、微細な陰影や肌の質感がそのまま忠実に残ります。

業界全体にとっても、過去数年続いてきた「効率化のために潜在空間＋VAEに頼らざるを得ない」という前提が崩れました。しかも一から莫大なコストをかけて学習し直す必要はなく、手元のオープンモデルをピクセル空間へアップグレードできる道筋を示した意味は小さくありません。超高解像度でのメモリ消費といった課題はまだ残るものの、AI画像がより本物の写真へと近づくための決定的な一歩と言えます。