El ruido adaptativo en el sampler SDE de Flux 3 Klein mejoró la textura solo un 1–2%

Los generadores de imágenes basados en flow matching pueden funcionar con un sampler estocástico, que añade ruido nuevo en cada paso. La intensidad de ese ruido, el parámetro eta, suele ajustarse a mano una sola vez y se deja constante. El autor de un estudio publicado en Habr quiso comprobar si el sampler puede elegir eta por sí mismo, paso a paso, usando datos que ya tiene. El resultado es sobre todo negativo: el esquema adaptativo apenas aportó nada, y el mejor efecto en Flux 3 Klein fue de alrededor del 1–2% del valor de la métrica de textura.

La idea: controlar el ruido con señales gratuitas

Un solver multipaso ya calcula en cada paso dos cifras útiles. La primera es la curvatura de la trayectoria, es decir, cuán bruscamente se curva. La segunda es la discrepancia entre la predicción y la corrección, que sirve como estimación del error local. Ninguna de las dos requiere llamadas adicionales a la red, así que el esquema no cuesta nada en cómputo: ni pasadas extra por el modelo ni mayor tiempo de generación.

La hipótesis era lógica. Si el ruido perjudica donde el campo es «rígido» y ayuda donde es suave, un presupuesto de ruido fijo repartido según la curvatura debería superar a una constante. Para comprobarlo, el autor escribió un nodo para ComfyUI y lo probó con tres modelos abiertos: Anima, Flux 3 Klein y MOSS-Image. El número de pasos varió entre 6 y 15.

La decisión metodológica principal fue usar una base de comparación honesta. Cada ejecución adaptativa se comparó con una ejecución de eta constante y exactamente el mismo presupuesto total de ruido. Sin ello, según mostró un trabajo anterior del autor, un resultado «adaptativo» suele ser simplemente «menos ruido», no una mejor distribución.

Qué funcionó y qué no

La curvatura no funcionó. En ninguno de los modelos hay una ganancia estable, y el signo del efecto cambia según el número de pasos. En la práctica, no conviene basarse en la curvatura para elegir eta.

La estimación del error del solver dio una señal pequeña pero reproducible. Si se añade más ruido donde el error es pequeño, en Flux 3 Klein la ganancia es de alrededor del 1–2% del valor de la métrica de textura. Se confirmó con nuevas semillas (seeds), según criterios fijados antes de la ejecución. En MOSS-Image el efecto es unilateral, y en Anima el autor no lo detectó. En Krea 2 el resultado no es concluyente por falta de potencia estadística.

La conclusión más interesante afecta a la propia adaptación. Un calendario de ruido fijo, promediado entre ejecuciones independientes y aplicado a todas las imágenes, da el mismo resultado que la elección paso a paso. El ruido en los extremos de la ventana de ruido ayuda; en el centro importa menos. En otras palabras, lo que cuenta es en qué punto de la trayectoria se aplica el ruido, no lo que ve el sampler en un momento concreto. La lógica adaptativa resulta entonces superflua: basta con un calendario calculado de antemano, que no cuesta nada en tiempo de ejecución y es más fácil de depurar.

Las personas no notaron la diferencia

El autor realizó una encuesta con 39 participantes, que debían elegir entre dos imágenes la que más pareciera generada por IA. Los participantes sí percibieron una gran diferencia entre ruido débil y fuerte, pero no lograron distinguir la nueva distribución del ruido de la convencional. Así, incluso una pequeña mejora medible en el espacio latente no se traduce en una mejora visible.

Limitaciones y conclusión práctica

El propio autor enumera los puntos débiles del trabajo. Las métricas se calculan en el espacio latente, no según la percepción visual. Por defecto se usaron 16 pares de imágenes por cada presupuesto de ruido. En Anima se empleó una versión de ComfyUI distinta a la de los demás modelos. La encuesta es informal y se hizo sin selección de participantes. Todo esto impide extrapolar las conclusiones a otros modelos y regímenes sin una nueva verificación.

Para quienes desarrollan pipelines, la conclusión práctica es sencilla. Si configuras un sampler SDE para un modelo de flow matching, no conviene complicarlo con reglas adaptativas: primero ajusta un calendario de ruido fijo que tenga en cuenta los extremos de la ventana y comprueba el resultado con un presupuesto total igual. De lo contrario, existe el riesgo de confundir una simple reducción del ruido con el éxito del método.

El autor cree que vale la pena contar este tipo de resultados negativos. Publicó el código, las cifras de cada imagen y el análisis de la encuesta en el repositorio flow-sde-research de GitHub. El preprint está disponible en Zenodo.