🤖 AI

IB-Flow: Information Bottleneck-Guided CFG Distillation for Few-Step Text-to-Image Generation

IB-Flow एक नवीन फ्यू-स्टेप टेक्स्ट-टू-इमेज जनरेशन फ्रेमवर्क है जो स्टैटिक, ब्लाइंड क्लासिफायर-फ्री गाइडेंस डिस्टिलेशन को इंस्टेंस-अवेयर टारगेट सिलेक्शन और एंट्रॉपी-अवेयर स्ट्रेंथ शेड्यूलिंग वाले ड्यूल-ट्रैक अडैप्टिव मैकेनिज्म से बदलने के लिए इंफॉर्मेशन बॉटलनेक सिद्धांत का लाभ उठाता है, जिससे ओवर-कंडीशनिंग आर्टिफैक्ट्स समाप्त हो जाते हैं और केवल दो स्टेप्स में स्टेट-ऑफ-द-आर्ट फिडेलिटी प्राप्त होती है।

मूल लेखक: Yiting Wang, Jingyi Zhang, Wenhu Zhang, Ke Chao, Yves Liang, Kun Cheng, Kang Zhao

प्रकाशित 2026-07-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yiting Wang, Jingyi Zhang, Wenhu Zhang, Ke Chao, Yves Liang, Kun Cheng, Kang Zhao

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक सुपर-स्मार्ट रोबोट कलाकार को सिर्फ दो त्वरित ब्रशस्ट्रोक में "नेपोलियन के कपड़ों में बिल्ली" का चित्र बनाना सिखाने की कोशिश कर रहे हैं। सामान्य रूप से, ये रोबोट कलाकार (जिन्हें डिफ्यूजन मॉडल कहा जाता है) अपना समय लेते हैं—जैसे कि एक मूर्तिकार पत्थर के ब्लॉक को 50 बार तराश कर आकार देता है—ताकि आकृति सही बन सके। लेकिन इसमें बहुत समय लगता है। वैज्ञानिक इसे केवल दो चरणों में तेज करने की कोशिश कर रहे हैं, लेकिन वे एक दीवार से टकरा गए: तस्वीरें अजीब दिखती हैं, रंग बहुत चमकीले होते हैं या बनावट (टेक्सचर) ऐसी लगती है जैसे उसे चाकू से तेज किया गया हो।

इस नए पेपर के अनुसार, समस्या यह है कि सिखाने का पुराना तरीका एक सख्त शिक्षक की तरह है जो छात्र को वही सटीक निर्देश चिल्लाकर देता है, चाहे वह कुछ भी कर रहा हो। शिक्षक कहता है, "तैयार पेंटिंग को देखो!" बिल्कुल पहले सेकंड से ही। इसे "ब्लाइंड इंजेक्शन" (blind injection) कहा जाता है। यह बहुत जल्दी और बहुत ज्यादा है। जब रोबोट अभी केवल एक रफ आउटलाइन देख रहा होता है (उच्च अराजकता/high chaos), तब उसे अंतिम छवि के सूक्ष्म विवरणों की नकल करने के लिए कहना उसे घबराहट में डाल देता है और सब बिगाड़ देता है। बाद में, जब रोबोट लगभग काम पूरा कर चुका होता है, तो शिक्षक वही ज़ोर-ज़ोर से निर्देश देता रहता है, जो सूक्ष्म और प्राकृतिक फिनिश को खराब कर देता है।

इस पेपर के लेखक, यितिंग वांग और उनकी टीम का कहना है: "एक ही चीज़ चिल्लाना बंद करो! रोबोट के दिमाग की बात सुनो।" उन्होंने एक नया सिस्टम बनाया जिसे IB-Flow (इन्फॉर्मेशन बॉटलनेक-फ्लो) कहा जाता है। इसे एक स्मार्ट कोच की तरह समझें जो जानता है कि कब फुसफुसाना है और कब चिल्लाना है, और हर क्षण उसे क्या दिखाना है।

यहाँ बताया गया है कि उनका "स्मार्ट कोच" दो विशेष तरकीबों का उपयोग करके कैसे काम करता है:

1. "बिल्कुल सही" लक्ष्य (इंस्टेंस-अवेयर सिलेक्शन)
कल्पना कीजिए कि आप साइकिल चलाना सीख रहे हैं। यदि आप फुटपाथ पर डगमगा रहे हैं, तो आपके कोच को आपको पहाड़ पर ट्रिपल बैकफ्लिप करते हुए वीडियो नहीं दिखाना चाहिए। वह बहुत आगे की चीज़ है! आपको बस दो पहियों पर संतुलन बनाने वाले व्यक्ति को देखने की ज़रूरत है।
पुराने तरीके शिक्षक की प्रक्रिया के किसी भी रैंडम क्षण को कॉपी करने के लिए चुन लेते थे, जो अक्सर बहुत उन्नत (advanced) होता था। नया IB-Flow सिस्टम रोबोट के वर्तमान "भ्रम के स्तर" (एन्ट्रॉपी) की जाँच करता है।

शुरुआत में (उच्च अराजकता): सिस्टम कहता है, "ठीक है, आइए शिक्षक के उस चरण को देखें जो थोड़ा सा ही आगे है।" यह रोबोट को विवरणों में खो जाने से रोकता है।
बाद में (कम अराजकता): एक बार जब रोबोट बुनियादी आकार बना लेता है, तो सिस्टम कहता है, "बहुत बढ़िया! अब चलिए शिक्षक के अंतिम, पूर्ण विवरणों को देखते हैं।"
पेपर गणितीय रूप से सिद्ध करता है कि इस "स्मार्ट टारगेट" की गणना बिना किसी देरी के तुरंत की जा सकती है। यह एक GPS की तरह है जो आपकी वर्तमान गति के आधार पर स्वचालित रूप से आपको अगले सही कदम पर ले जाता है।

2. "वॉल्यूम नॉब" (एन्ट्रॉपी-अवेयर स्ट्रेंथ)
अब, कल्पना कीजिए कि कोच के हाथ में एक मेगाफोन है। पुराने तरीकों में वॉल्यूम पूरे समय पूरी आवाज़ पर (एक स्टैटिक गाइडेंस स्ट्रेंथ) रहता था। यही कारण है कि रंग बहुत अधिक संतृप्त (oversaturated) हो जाते हैं या बनावट बहुत अधिक तीखी हो जाती है—क्योंकि यह बहुत तेज़ है!
नया सिस्टम एक "वॉल्यूम नॉब" का उपयोग करता है जो अपने आप आवाज़ कम कर देता है।

शुरुआत में: रोब melalui खाली कैनवास के समरूपता (symmetry) को तोड़ने के लिए एक बड़े धक्के की आवश्यकता होती है, इसलिए वॉल्यूम तेज़ होता है।
जैसे-जैसे आगे बढ़ता है: जैसे-जैसे चित्र स्पष्ट होता जाता है और "शोर" (noise) कम होता जाता है, वॉल्यूम धीरे-धीरे कम होता जाता है। अंत तक, कोच केवल फुसफुसाता है, जिससे रोबोट बिना किसी दबाव के स्वाभाविक रूप से पेंटिंग पूरी कर पाता है।
पेपर दिखाता है कि यह वॉल्यूम नॉब "सिग्नल-टू-नॉइज़ रेशियो" (SNR) के आधार पर गणना किया जाता है—जो एक फैंसी तरीका है यह कहने का कि "वास्तविक चित्र बनाम केवल स्टेटिक (शोर) कितना दिखाई दे रहा है।"

क्या यह काम आया?
टीम ने तीन अलग-अलग विशाल रोबोट कलाकारों (FLUX.1-dev, OpenUni-L-512, और Qwen-Image-20B) पर इसका परीक्षण किया। उन्होंने इन मॉडलों को केवल 2 चरणों में चित्र बनाने के लिए मजबूर किया (जबकि सामान्यतः 50 चरण लगते हैं)।

परिणाम: इन परीक्षणों में, उनके नए तरीके ने लगभग हर स्कोर पर पिछले सर्वोत्तम तरीकों (जैसे ArcFlow) को पछाड़ दिया। सबसे बड़े मॉडल (Qwen-Image-20B) के लिए, इसने GenEval पर 0.86 और DPG-Bench पर 88.67 स्कोर किया, जबकि पुराना सर्वश्रेष्ठ 0.84 और 87.94 था।
दृश्य (Visuals): जब उन्होंने चित्रों को देखा, तो पुराने तरीकों ने अजीब तरह से तीखे बालों वाली बिल्लियाँ या ऐसे चेहरे बनाए जो टेक्स्ट से मेल नहीं खाते थे। नए IB-Flow के चित्र प्राकृतिक थे, जिनमें अच्छी संरचना, सही रंग और बारीक विवरण थे।

उन्होंने क्या खारिज किया?
पेपर बहुत स्पष्ट है कि पुराना तरीका—एक स्टैटिक गाइडेंस स्ट्रेंथ (वॉल्यूम को समान रखना) और ब्लाइंडली टारगेट टाइम स्टेप चुनना (किस चरण की नकल करनी है इसका अनुमान लगाना)—पिछले प्रयासों के विफल होने का मुख्य कारण है। वे तर्क देते हैं कि इमेज क्रिएशन की "डायनेमिक प्रकृति" (यह तथ्य कि यह अराजकता से व्यवस्था की ओर जाता है) को अनदेखा करना ही खराब आर्टिफैक्ट्स का कारण बनता है। उन्होंने केवल सुझाव नहीं दिया; उन्होंने अपनी नई तरकीबों को एक-एक करके हटाकर और स्कोर गिरते हुए देखकर इसे मापा।

वे कितने आश्वस्त हैं?
लेखक काफी आश्वस्त हैं। उन्होंने केवल सिमुलेशन नहीं चलाया; उन्होंने वास्तविक मॉडल प्रशिक्षित किए और उन्हें मानक बेंचमार्क पर चलाया। उन्होंने दिखाया कि उनके "स्मार्ट कोच" दृष्टिकोण का उपयोग करके, वे उस "परफॉरमेंस सीलिंग" को तोड़ सकते हैं जो काफी समय से अटकी हुई थी। वे दावा करते हैं कि उनका तरीका "स्टेट-ऑफ-द-आर्ट" (SOTA) परिणाम प्राप्त करता है, जिसका अर्थ है कि यह विशिष्ट कार्य (2-स्टेप इमेज जनरेशन) के लिए वर्तमान में सबसे अच्छा ज्ञात तरीका है।

संक्षेप में, IB-Flow एक रोबोट को पेंटिंग सिखाने जैसा है जो उसके दिमाग को सुनकर और वास्तविक समय में पाठ योजना को समायोजित करके सिखाता है, न कि शुरुआत से अंत तक एक ही निर्देश चिल्लाकर। परिणाम? पलक झपकते ही सुंदर चित्र।

तकनीकी सारांश: IB-Flow

समस्या विवरण (Problem Statement)

लार्ज-स्केल टेक्स्ट-टू-इमेज जनरेटिव मॉडल्स, जिनमें डिफ्यूजन मॉडल्स और फ्लो मैचिंग (FM) शामिल हैं, अभूतपूर्व विजुअल फिडेलिटी (visual fidelity) प्राप्त कर चुके हैं, लेकिन वे अपने मल्टी-स्टेप इटरेटिव सॉल्वर (अक्सर 40-100 न्यूरल फंक्शन इवैल्यूएशन) पर निर्भरता के कारण गंभीर इन्फरेंस लेटेंसी (inference latency) से ग्रस्त हैं। जबकि फ्यू-स्टेप डिस्टिलेशन तकनीकें इन ट्राजेक्टरीज को 1-2 स्टेप्स में कंप्रेस करने का लक्ष्य रखती हैं, क्लासिफायर-फ्री गाइडेंस (CFG) डिस्टिलेशन के मौजूदा फ्रेमवर्क सब-ऑप्टिमल (suboptimal) बने हुए हैं।

वर्तमान विधियाँ एक "ब्लाइंड इंजेक्शन पैराडाइम" (blind injection paradigm) का उपयोग करती हैं जो दो महत्वपूर्ण दोषों से ग्रस्त है:

ग्लोबली स्टैटिक गाइडेंस स्ट्रेंथ (Globally Static Guidance Strength): वे सभी टाइमस्टेप्स पर एक स्थिर CFG स्केल ( $\omega$ ) लागू करती हैं, जो इमेज जनरेशन की डायनेमिक प्रकृति की अनदेखी करती है।
इंडिस्क्रिमिनेट सुपरवाइजर सैंपलिंग (Indiscriminate Supervisor Sampling): वे जनरेशन प्रक्रिया की वर्तमान स्थिति पर विचार किए बिना एम्पिरिकल प्रायर्स (empirical priors) से सुपरवाइजर टाइमस्टेप ( $\tau$ ) को रैंडमली सैंपल करती हैं।

यह स्टेट-अग्नोस्टिक (state-agnostic) डिज़ाइन इमेज जनरेशन की एक डायनेमिक, प्रोग्रेसिव एंट्रॉपी-रिडक्शन प्रक्रिया के अंतर्निहित स्वभाव की अनदेखी करता है। इसके परिणामस्वरूप, यह दो विफलता मोड (failure modes) की ओर ले जाता है:

प्रारंभिक चरण (उच्च एंट्रॉपी - High Entropy): दूरस्थ लक्ष्यों (distant targets) पर अंधाधुंध जंप करने से विशाल सिमेंटिक गैप्स (semantic gaps) पैदा होते हैं, जिससे नॉइज़ डिग्रेडेशन होता है।
अंतिम चरण (निम्न एंट्रॉपी - Low Entropy): कठोर, उच्च-स्ट्रेंथ गाइडेंस कन्वर्ज्ड नेचुरल मैनिफोल्ड (converged natural manifold) को बाधित करता है, जिससे गंभीर CFG ओवर-कंडीशनिंग आर्टिफैक्ट्स (जैसे, कलर ओवर-सैचुरेशन, टेक्सचर शार्पनिंग) उत्पन्न होते हैं।

कार्यप्रणाली (Methodology): IB-Flow

लेखक IB-Flow का प्रस्ताव करते हैं, जो सूचना सिद्धांत (Information Theory) के लेंस के माध्यम से डिस्टिलेशन का पुनर्मूल्यांकन करता है, विशेष रूप से इसे इंफॉर्मेशन बॉटलनेक (IB) सिद्धांत द्वारा नियंत्रित एक डायनेमिक म्यूचुअल इंफॉर्मेशन गेम के रूप में मॉडल करता है। यह फ्रेमवर्क इंजेक्शन टारगेट और इंजेक्शन स्ट्रेंथ दोनों को डायनेमिक रूप से निर्धारित करने के लिए एक ड्यूल-ट्रैक अडैप्टिव मैकेनिज्म पेश करता है।

1. इंस्टेंस-अवेयर इंजेक्शन टारगेट सिलेक्शन (Instance-Aware Injection Target Selection)

यह निर्धारित करने के लिए कि गाइडेंस कब इंजेक्ट करना है (अनुकूलतम सुपरवाइजर टाइमस्टेप $\tau^*_{CA}$ चुनना), लेखक समस्या को एक कैपेसिटी-कंस्ट्रेंड म्यूचुअल इंफॉर्मेशन मैक्सिमाइजेशन के रूप में फॉर्म्युलेट करते हैं:
$\tau^*_{CA}(x_t, t) = \arg \max_{\tau \in [t,1]} I(x_\tau; X_1 | X_t) \quad \text{s.t.} \quad D_{KL}(p_t \| p_\tau) \leq \delta$

सैद्धांतिक व्युत्पत्ति (Theoretical Derivation): हाई-डायमेंशनल पिक्सेल स्पेस में KL डाइवर्जेंस बाधा को सीधे हल करना अव्यवहार्य है। लेखक KL डाइवर्जेंस को फिशर इंफॉर्मेशन मेट्रिक (Fisher Information Metric) का उपयोग करके अनुमानित करने के लिए फ्लो मैचिंग के कंटीन्यूअस वेक्टर फील्ड पर्सपेक्टिव और टेलर एक्सपेंशन का लाभ उठाते हैं।
क्लोज्ड-फॉर्म सॉल्यूशन (Closed-Form Solution): वे एक जीरो-ओवरहेड क्लोज्ड-फॉर्म सॉल्यूशन निकालते हैं जहाँ इंजेक्शन स्पैन लोकल वेक्टर फील्ड नॉर्म ( $\|\Delta v_t(x_t)\|_2$ ) के व्युत्क्रमानुपाती होता है:
$\tau^*_{CA}(x_t, t) = \min\left(1, t + \frac{\kappa}{\|v^c_t(x_t) - v^u_t(x_t)\|_2 + \epsilon}\right)$
यहाँ, $\kappa$ डाइवर्जेंस बजट को दर्शाता है। यह मैकेनिज्म शुरुआती हाई-एंट्रॉपी चरणों में रूढ़िवादी स्ट्रक्चरल एंकरिंग सुनिश्चित करता है (करीबी सुपरवाइजर्स चुनकर) और बाद के चरणों में विस्तृत रिफाइनमेंट को सुगम बनाता है।

2. एंट्रॉपी-अवेयर डायनेमिक गाइडेंस स्ट्रेंथ (Entropy-Aware Dynamic Guidance Strength)

यह निर्धारित करने के लिए कि कितनी गाइडेंस इंजेक्ट करनी है (स्केल $\omega^*(t)$ को ऑप्टिमाइज़ करना), लेखक जनरेटिव फिडेलिटी के विरुद्ध कंडीशनिंग कॉस्ट को संतुलित करते हैं:
$\min_{\omega(t)} I(X^\omega_t; C) - \beta I(X^\omega_t; X_1 | C)$

सैद्धांतिक व्युत्पत्ति (Theoretical Derivation): I-MMSE रिलेशन का उपयोग करते हुए, लेखक सिद्ध करते हैं कि रियल डेटा की रेसिडुअल अनसर्टेनिटी (residual uncertainty) इंस्टेंटेनियस सिग्नल-टू-नॉइज़ रेशियो (SNR) के व्युत्क्रमानुपाती होती है।
क्लोज्ड-फॉर्म सॉल्यूशन (Closed-Form Solution): अनुकूलित गाइडेंस स्ट्रेंथ SNR के साथ डायनेमिक रूप से घटती है:
$\omega^*(t) = 1 + (\omega_{max} - 1) \cdot \frac{1}{1 + \gamma \cdot \text{SNR}(t)}$
जहाँ, $\text{SNR}(t) = \frac{t^2}{(1-t)^2}$ है। यह शेड्यूल शुरुआती सिमेट्री ब्रेकिंग के लिए मैक्सिमल थ्रस्ट लगाता है लेकिन प्रक्रिया समाप्त होने के साथ ही स्मूथली अनकंडीशनल नेचुरल मैनिफोल्ड ( $\omega \to 1$ ) की ओर लौट आता है, जिससे ओवर-कंडीशनिंग आर्टिफैक्ट्स प्रभावी रूप से समाप्त हो जाते हैं।

3. यूनिफाइड ऑब्जेक्टिव (Unified Objective)

इन डायनेमिक कंपोनेंट्स को CFG ऑगमेंटेशन (CA) ऑब्जेक्टिव में एकीकृत किया जाता है, जो $\tau^*_{CA}$ और $\omega^*(t)$ को प्राप्त पैरामीटर्स के रूप में उपयोग करके स्टूडेंट मॉडल के ग्रेडिएंट अपडेट्स को निर्देशित करता है।

मुख्य योगदान (Key Contributions)

सैद्धांतिक पुनर्गठन (Theoretical Reformulation): यह पेपर औपचारिक रूप से फ्यू-स्टेप CFG डिस्टिलेशन को इंफॉर्मेशन बॉटलनेक सिद्धांत द्वारा नियंत्रित एक डायनेमिक म्यूचुअल इंफॉर्मेशन गेम के रूप में मॉडल करने वाला पहला पेपर है, जो पारंपरिक ब्लाइंड इंजेक्शन की सीमाओं को उजागर करता है।
इंस्टेंस-अवेयर टारगेट सिलेक्शन: एक गणितीय रूप से व्युत्पन्न मैकेनिज्म जो अव्यवहार्य KL डाइवर्जेंस बाधा को लोकल वेक्टर फील्ड नॉर्म पर आधारित जीरो-ओवरहेड क्लोज्ड-फॉर्म सॉल्यूशन में बदल देता है, जिससे सुरक्षित सिमेंटिक अलाइनमेंट सुनिश्चित होता है।
एंट्रॉपी-अवेयर स्ट्रेंथ शेड्यूलिंग: एक डायनेमिक गाइडेंस शेड्यूल जो SNR इवोल्यूशन के साथ संरेखित है, जो नेचुरल मैनिफोल्ड फिडेलिटी के साथ कंडीशनल जनरेशन को संतुलित करता है ताकि ओवर-कंडीशनिंग को रोका जा सके।
स्टेट-ऑफ-द-आर्ट परफॉरमेंस: फ्रेमवर्क एक्सट्रीम 2-स्टेप कॉन्फ़िगरेशन के तहत श्रेष्ठ जनरेटिव फिडेलिटी और टेक्स्ट अलाइनमेंट प्राप्त करता है।

प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने तीन विविध टीचर मॉडल्स: FLUX.1-dev, OpenUni-L-512, और Qwen-Image-20B पर IB-Flow का मूल्यांकन किया, जो 1024×1024 इमेज जनरेट करते हैं।

क्वांटिटेटिव परफॉरमेंस (Quantitative Performance): 2 NFE पर Qwen-Image-20B बैकबोन पर, IB-Flow ने 0.86 का GenEval स्कोर और 88.67 का DPG-Bench स्कोर प्राप्त किया, जो पिछले SOTA (ArcFlow: 0.84 / 87.94) से बेहतर है।
फाइन-ग्रेन्ड एनालिसिस (Fine-Grained Analysis): DPG-Bench पर विस्तृत विश्लेषण ने Global (+1.22) और Texture (+1.09) मेट्रिक्स में महत्वपूर्ण सुधार दिखाया। यह पुष्टि करता है कि डायनेमिक टारगेट सिलेक्शन शुरुआती स्ट्रक्चर को स्थिर करता है, जबकि डायनेमिक स्ट्रेंथ शेड्यूल लेट-स्टेज टेक्सचर ओवरशार्पनिंग को रोकता है।
क्वालिटेटिव इम्प्रूवमेंट्स (Qualitative Improvements): विजुअल तुलनाओं ने प्रदर्शित किया कि IB-Flow स्टैटिक बेसलाइन्स और अन्य फ्यू-स्टेप मेथड्स (जैसे, TwinFlow, pi-Flow) की तुलना में स्ट्रक्चरल फिडेलिटी, सिमेंटिक अलाइनमेंट, क्रोमैटिक फिडेलिटी और टेक्सचरल डिटेल को एक साथ बेहतर बनाता है।
एब्लेशन स्टडीज (Ablation Studies): डायनेमिक टारगेट या डायनेमिक स्ट्रेंथ में से किसी एक को हटाने से भी प्रदर्शन में गिरावट आई, जो पुष्टि करता है कि दोनों कंपोनेंट्स पूरक विफलता मोड (सिमेंटिक गैप बनाम ओवर-कंडीशनिंग) को संबोधित करते हैं।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि IB-Flow रिजिड, स्टैटिक धारणाओं को एक सैद्धांतिक रूप से स्थापित, डायनेमिक इंफॉर्मेशन इंजेक्शन फ्रेमवर्क से बदलकर फ्यू-स्टेप जनरेटिव मॉडल्स की परफॉरमेंस सीलिंग को मौलिक रूप से पार करता है। इमेज जनरेशन को एक डायनेमिक एंट्रॉपी-रिडक्शन प्रक्रिया के रूप में मानकर, यह विधि उन गंभीर ओवर-कंडीशनिंग आर्टिफैक्ट्स को सफलतापूर्वक समाप्त करती है जिन्होंने पिछले CFG डिस्टिलेशन प्रयासों को प्रभावित किया है। लेखक दावा करते हैं कि यह दृष्टिकोण स्ट्रक्चरल और क्रोमैटिक फिडेलिटी दोनों को बहाल करता है, जिससे रियल-टाइम इंटरैक्टिव एप्लिकेशंस के लिए आवश्यक अलाइनमेंट या डिटेल से समझौता किए बिना, अत्यंत लो-स्टेप कॉन्फ़िगरेशन (2 NFE) में उच्च-गुणवत्ता वाले टेक्स्ट-टू-इमेज सिंथेसिस को सक्षम बनाया जा सकता है।