본 논문은 이미지 융합 문제를 해결하기 위해, 특정 작업에 특화된 모델의 높은 훈련 비용과 확장성 문제를 극복하고, 생성 모델의 느린 추론 속도를 개선하는 것을 목표로 한다. 이를 위해 흐름 매칭 패러다임을 활용하여 소스 모달리티에서 융합된 이미지 분포로의 직접적인 확률적 수송을 제안하며, 융합된 고품질 이미지가 부족한 문제를 해결하기 위해 여러 최첨단 모델의 융합 결과를 사전 정보로 활용하고, 작업별로 가장 신뢰할 수 있는 가짜 레이블을 선택하는 작업 인식 선택 함수를 사용한다. 또한, 선택된 가짜 레이블의 저하된 구성 요소를 식별, 분해, 개선하는 분할 정복 전략을 사용하는 융합 정제 모듈을 도입했다. 다중 작업 시나리오에서는 탄력적 가중치 통합 및 경험 재생 메커니즘을 통합하여 매개변수 안정성과 메모리 유지를 통해 교차 작업 성능을 유지하고 지속적 학습 능력을 향상시켰다. 이 접근 방식은 다양한 융합 작업에서 경쟁력 있는 성능을 달성하면서 샘플링 효율성을 크게 향상시키고 가벼운 모델 설계를 유지한다.
