[論文レビュー] FLUX.1 Kontext: Flow Matching for In-Context Image Generation and Editing in Latent Space

Black Forest Labs, Stephen Batifol+19 more|ArXiv.org|Jun 17, 2025

Generative Adversarial Networks and Image Synthesis被引用数 4

ひとこと要約

FLUX.1 Kontextは、潜在空間でのインコンテキスト画像生成と編集を統合するフローベースモデルで、素早く複数ターンのキャラクター保存編集を実現し、競合品質を提供します。

ABSTRACT

We present evaluation results for FLUX.1 Kontext, a generative flow matching model that unifies image generation and editing. The model generates novel output views by incorporating semantic context from text and image inputs. Using a simple sequence concatenation approach, FLUX.1 Kontext handles both local editing and generative in-context tasks within a single unified architecture. Compared to current editing models that exhibit degradation in character consistency and stability across multiple turns, we observe that FLUX.1 Kontext improved preservation of objects and characters, leading to greater robustness in iterative workflows. The model achieves competitive performance with current state-of-the-art systems while delivering significantly faster generation times, enabling interactive applications and rapid prototyping workflows. To validate these improvements, we introduce KontextBench, a comprehensive benchmark with 1026 image-prompt pairs covering five task categories: local editing, global editing, character reference, style reference and text editing. Detailed evaluations show the superior performance of FLUX.1 Kontext in terms of both single-turn quality and multi-turn consistency, setting new standards for unified image processing models.

研究の動機と目的

• 単一の統一アーキテクチャを用いて忠実なインコンテキスト画像生成と編集を動機づけ、可能にする。
• 複数の編集ターンにわたりキャラクターとオブジェクトの一貫性を維持する。
• インタラクティブで反復的な編集ワークフローの高速推論を実現する。
• 実世界のマルチターン編集シナリオを評価するための KontextBench を導入する。

提案手法

• 文脈トークンと指示トークンの連結に対して整形済みフローミッチング目的を用いる。
• 凍結された FLUX auto-encoder による潜在トークンへの画像エンコードと、コンテキストとターゲットトークンを分離するための 3D Rotary Positional Embeddings の適用。
• 効率化のためにダブルストリームとシングルストリームの Transformer ブロックを混成し、フィージド・フォワード演算を併用。
• FLUX.1 テキストツーイメージのチェックポイントから訓練を開始し、画像ツー画像タスクでファインチューニングを行い、潜在対向拡散蒸留（LADD）を取り入れてサンプリングを高速化。
• 安全対策（分類器ベースのフィルタリングと敵対的訓練）および効率化最適化（FSDP、Flash Attention、地域別コンパイル）。
• KontextBench を用いて評価し、インコンテキストタスクを横断して最新のテキストツーイメージおよび画像ツー画像モデルと比較する。

実験結果

リサーチクエスチョン

• RQ1 FLUX.1 Kontext は、単一モデルでインコンテキストの画像編集とテキスト駆動の画像生成を共同で処理できるか。
• RQ2 モデルは、複数ターンの編集においてキャラクターアイデンティティとオブジェクトのディテールを競合手法より良く保持できるか。
• RQ3 現実的なワークフローにおいて、速度と品質は最先端の T2I および I2I システムと比較してどうか。
• RQ4 KontextBench に基づく評価が実世界の編集能力の理解に与える影響は何か。

主な発見

Model	PDist ↓	SSIM ↑	PSNR ↑
Flux-VAE	0.332 ± 0.003	0.896 ± 0.004	31.1 ± 0.08
SD3-VAE [12]	0.452 ± 0.004	0.858 ± 0.005	29.6 ± 0.07
SD3-TAE	0.746 ± 0.004	0.774 ± 0.014	27.9 ± 0.06
SDXL-VAE [40]	0.890 ± 0.005	0.748 ± 0.006	25.9 ± 0.07
SD-VAE [StabilityAI]	0.949 ± 0.005	0.720 ± 0.004	25.0 ± 0.07

• FLUX.1 Kontext は最先端システムと同等の品質を保ちつつ、生成時間を大幅に短縮（1024×1024 で 3–5 秒）して実現する。
• モデルは反復的なマルチターン編集においてキャラクターの一貫性と堅牢性が競合手法より優れている。
• コンテキスト的なインコンテキスト入力は、各タスクのファインチューニングなしに、局所的な編集とオープンエンドな生成の両方を単一アーキテクチャ内で可能にする。
• KontextBench はローカル/グローバル編集、キャラクター/スタイル/参照、テキスト編集を網羅する現実世界のクラウドソース型ベンチマークを提供する。
• Latent adversarial diffusion distillation (LADD) はサンプリングステップを減らしつつサンプル品質を向上させる。