技術要約：生成モデリングを加速するための双方向アンカー補間ソルバー（Bi-Anchor Interpolation Solver）

1. 問題提起

FluxやSD3などのFlow Matching (FM) モデルは、ノイズ分布からデータ分布へと輸送する速度場（velocity field）を回帰することにより、高忠実度の画像合成において最先端の性能を確立しています。しかし、生成プロセスには数値積分による常微分方程式（ODE）の反復的な求解が必要であり、これが重大なレイテンシのボトルネックとなっています。

既存のソリューションは、以下の二者択一の状況に直面しています：

• 学習不要のソルバー（Training-free Solvers）： Euler、Heun、DPM-Solverなどの手法は、プラグアンドプレイが可能ですが、大きな時間間隔を使用する場合に大きな外挿誤差が生じます。品質を維持するためには、高品質なサンプリングのために多くの場合100ステップを超える高いニューラル関数評価（NFE）を必要とします。
• 学習ベースの1ステップ/少ステップ手法（Training-based One/Few-Step Methods）： Consistency Modelsなどのアプローチは、軌道を直接予測することで生成を1〜2ステップに加速させます。しかし、これらは汎用性に欠け（オフザシェルフのモデルに適用できない）、膨大な学習コストを伴います。具体的には、数十万回のイテレーションや、巨大なバックボーンパラメータの微調整を必要とすることが多いです。

核心となる課題は、このギャップを埋めることです。すなわち、学習ベースの手法が持つ加速性能を実現しつつ、学習不要のソルバーが持つプラグアンドプレイの汎用性を維持しながら、膨大な学習コストを回避することです。

2. 手法：双方向アンカー補間ソルバー（BA-solver）

著者らは、凍結されたバックボーンを保持したまま、軽量な SideNet を導入することで、最小限のNFEで高次補間を可能にする新しいサンプリングフレームワークである Bi-Anchor Interpolation Solver (BA-solver) を提案しています。

コアコンポーネント

1. 双方向の時間的知覚を備えた軽量SideNet
重いバックボーン ($v_\theta$) を再学習する代わりに、BA-solverはバックボーンのパラメータサイズの約1〜2%で構成される軽量なSideNet ($S_\phi$) を導入します。

• 機能: SideNetは、現在の状態 ($x_t$) と速度 ($v_t$) に条件付けられた速度偏差を学習します。
• 双方向的知覚: バックボーンへの勾配を逆伝播させることなく、未来および過去の速度を近似します。これにより、システムに「先読み（lookahead）」および「振り返り（lookback）」の能力を与えます。
• 学習効率: 学習は計算量およびメモリ効率が高く、フルファインチューニング手法が必要とするイテレーションのわずかな一部のみを必要とします。

2. 双方向アンカー速度統合（Bi-Anchor Velocity Integration）
このソルバーは、予測の忠実度が時間オフセットの増加に伴って低下する、単一アンカー補間の限界に対処します。BA-solverは、誤差を最小化するために2つのアンカー速度を利用します。

• 前方プローブ（Forward Probe）: 現在のアンカー速度 $v_t$（バックボーンから取得）を使用して、SideNetは一連の求積ノードに対する中間速度を予測します。これにより、暫定的な次状態 $\hat{x}_{t-h}$ が計算されます。
• 後方リファインメント（Backward Refinement）: バックボーンが暫定状態における速度 $v_{t-h} = v_\theta(\hat{x}_{t-h}, t-h)$ を評価し、第2のアンカーを確立します。その後、SideNetは $v_{t-h}$ からの「バックワード・ルックバック」を実行し、区間の終端に近いノードの予測を精緻化します。
• 統合と状態の再利用: 最終的な状態更新では、高次求積規則（例：Gauss-Lobatto）を用いて、両方向からの速度（前半部分のための前方予測と、後半部分のための後方リファインメント）を統合します。決定的なことに、計算されたアンカー $v_{t-h}$ はキャッシュされ、次の区間の開始アンカーとして再利用されます。これにより、総NFE数は正確に区間の数と一致します。

3. チェーンベースの学習（Chain-Based Training）
堅牢性を確保するため、SideNetは逐次的な生成プロセスを模倣するK-区間チェーン戦略を用いて学習されます。学習目的関数は、SideNetの速度予測と、次の状態におけるバックボーン由来の正解速度との間の不一致を最小化します。その際、バックボーンのターゲットを変更しないよう、ストップグラディエント演算を使用します。

3. 主な貢献

1. アルゴリズム: わずか5〜10ステップで高忠実度の生成を可能にするサンプリング手法であるBA-solverの提案。これは、高価な学習不要のソルバーと、リソース集約的な学習ベースの加速手法の間のギャップを効果的に埋めます。
2. アーキテクチャ: 凍結されたフローマッチング・バックボーンに双方向の時間的知覚を与える、軽量で学習効率の高いSideNetの導入。これにより、モデル全体の再学習を回避します。
3. パフォーマンス: ImageNet-256およびImageNet-512を用いた検証により、BA-solverが100ステップ以上のNFEを必要とする標準的なEulerソルバーと同等の品質を、わずか10 NFEで達成し、5 NFEでも高い忠実度を維持することを実証しました。また、競合する学習ベースの1ステップ手法と比較して、学習効率（数百の数千イテレーションに対して約250イテレーションで収束）およびパラメータ効率（675M以上のファインチューニングに対して約6Mパラメータの最適化）において大幅に優れています。

4. 実験結果

• 品質 vs NFE: ImageNet-256において、BA-solverは7 NFEで 1.96 のFIDを達成し、Flow-DPM (4.03) や Euler (7.56) を大幅に上回りました。10 NFEでは 1.72 のFIDに達し、100ステップ以上を必要とする標準的なEulerソルバーの品質に匹敵します。
• スケーラビリティ: 本手法は512解像度にも効果的にスケールし、わずか7 NFEでグローバルな整合性とテクスチャの詳細を維持します。
• 学習効率: BA-solverは、わずか 600万の学習可能パラメータ で 250回の学習イテレーション で収束します。対照的に、MeanFlowやiCTといった競合するワンステップ手法は、313,000から800,000回のイテレーションを必要とし、バックボーン全体（675M+ パラメータ）を微調整する必要があります。
• 画像編集: FM ODEの可逆性を活用することで、BA-solverは10 NFE以内での高品質な画像編集（例：クラス間変換）を容易にします。これは、厳格なワンステップ生成手法では欠如しがちな機能です。

5. 意義と主張

本論文は、BA-solverが生成モデリングの加速における「スイートスポット」を代表すると主張しています。重いバックボーンを加速メカニズムから切り離すことで、大規模な基盤モデルの再学習という過酷なコストを必要としない、プラグアンドプレイのソリューションを提供します。

著者らは、本手法が効率性と忠実度の間で優れたバランスを実現していることを強調しています。理論的分析によれば、双方向アンカーメカニズムは単一アンカー補間に比べて誤差境界係数を2分の1に低減し、外挿ドリフトを効果的に緩和します。経験的に、本手法は高品質な合成に必要な計算コストとエネルギー消費を劇的に削減することで、「グリーンAI」を促進し、高度な生成モデルをデプロイするためのハードウェア障壁を下げます。

本研究は、サンプリングを加速させつつも、ODEの数学的構造に依存する画像編集などのダウンストリームタスクを妨げることなく、既存のパイプラインの汎用性を維持できることを断言しています。