Z-Image: An Efficient Image Generation Foundation Model with Single-Stream Diffusion Transformer

4.3. 预训练Z-Image 采用流匹配目标函数 [44, 48] 进行训练：首先通过高斯噪声
x
0
​

与原始图像
x
1
​

的线性插值构造带噪输入，即
x
t
​
=t⋅x
1
​
+(1−t)⋅x
0
​

；随后训练模型预测定义二者间路径的向量场的速度(即
v
t
​
=x
1
​
−x
0
​

)。训练目标可表示为：
L=E
t,x
0
​
,x
1
​
,y
​
[∥u(x
t
​
,y,t;θ)−(x
1
​
−x
0
​
)∥
2
],(1)
其中
θ
是可学习参数，
y
是条件嵌入。我们参考 SD3 [18]，采用 logit - 正态噪声采样器将训练过程集中在中间时间步。此外，为应对多分辨率训练设置下信噪比(SNR)的波动，我们借鉴 Flux [34] 所使用的动态时间偏移策略，确保不同图像分辨率下的噪声水平得到合理缩放，从而提升训练效果。Z-Image 的预训练大致分为两个阶段：低分辨率预训练和全尺度预训练。