论文阅读笔记——FLUX.1 Kontext: Flow Matching for In-Context Image Generation and Editing in Latent Space

FLUX.1 Kontext 论文
1024×1024分辨率图像的文本/图像生成仅需3-5秒。

在 FLUX.1 中，图像的 Input latents 采用 3D RoPE 编码和文本采用双流网络处理，拼接后采用交叉注意力融合。然后丢弃文本 token，仅保留图像 token，采用 38 层单流 Transformer 建模。为优化单流网络下的 GPU 利用率，采用了：将前馈块的参数减少 50%；将注意力机制的输入/输出线性层与 MLP 层融合，形成更大的矩阵-向量乘法（显著提升训练和推理速率）。

训练目标，能够同时基于文本提示和参考图像生成目标图像：$$p(x|y,c)$$
与传统的文生图不同，这一目标要求模型学习图像与图像之间的关联，通过文本指令 c 来调节。模型能在 $y\ne \varnothing$ 时进行图像编辑，在 $y=\varnothing$ 时生成新图像。从 FLUX.1 的 checkpoint 开始。
图像通过冻结的 FLUX autoencoder，文本 token 被拼接到图像 token 之前一起送入视觉流。采用 3D RoPE 编码，上下文图像的 token 会被加上一个常量偏移，表示为虚拟的时间步。保持图像内部空间结构不同时，把上下文图像和目标图像在时序上区分开。具体而言，目标图像为 $(0,h,w)$，上下文图像为 $(i,h,w)$。
目标函数采用 Rectified Flow Loss：
L θ = E t ∼ p ( t ) , x , y , c [ ∥ v θ ( z t , t , y , c ) − ( ε − x ) ∥ 2 2 ] \\mathcal{L}_\\theta=\\mathbb{E}_{t\\thicksim p(t),x,y,c}\\left[\\|v_\\theta(z_t,t,y,c)-(\\varepsilon-x)\\|_2^2\\right] Lθ​=Et∼p(t),x,y,c​[∥vθ​(zt​,t,y,c)−(ε−x)∥22​]
同时采用 LADD 替代 ODE/SDE 的 50-250 步采样，提高采样速度。

KontexBench

Benchmark 问题 InstructPix2Pix 依赖 Stable Diffusion 合成样本+ GPT 生成指令，存在系统性偏差 MagicBrush 虽然采用真实 MS-COCO 图像，但数据收集受限于 DALLE-2 Emu-Edit 低分辨率图像+非真实分布，仅覆盖编辑任务 DreamBench 样本覆盖狭窄 GEdit-bench 未覆盖现代多模态模型全部能力 IntelligentBench 未公开，只有300例任务 KontexBench：1026 个图文样本对，108 张基础图像。覆盖五个任务类别：局部指令编辑（416）、全局指令编辑（262）、文本编辑（92）、风格参考（63）、角色参考（193）。 文生图评估的评价维度：指令遵循度、审美质量、真实感、字体准确性、推理速度。 图像编辑评估：图像质量、局部编辑、角色保持（C-Ref）、风格迁移（S-Ref）、文本编辑、推理效率。

实验结果