拡散モデルに基づくスタイル転送は、推論効率とスタイライズ品質のバランスを取る必要がある。アダプタベースの手法は効率的だが、スタイルを外部条件として注入するため、参照画像固有の外観を弱めたり、参照画像の意味内容を生成画像にコピーしてしまったりする。LoRAのような最適化ベースのパーソナライズ手法はスタイルをより効果的に内部化できるが、新しいスタイルごとに個別の学習プロセスを必要とする。
この課題に対して、Zhongjie Duan氏とYingda Chen氏は2026年6月11日にarXivへ投稿した論文で、i2L（image-to-LoRA）フレームワークを提案した。中心となる考え方は、スタイルLoRAの学習を1回の順伝播に償却することである。1枚以上の参照画像が与えられると、i2Lはテキスト画像モデル用のLoRA重みを直接予測し、スタイルごとの最適化なしにスタイルを即座にインスタンス化できる。
アーキテクチャは3つの要素で構成される。参照画像の表現を抽出する画像エンコーダ、その表現と相互作用する学習可能なLoRAクエリ、そして適応された行列を生成する圧縮デコードヘッドである。この設計により、モデルは実際に勾配最適化を実行するのではなく、学習済みの予測器からLoRAパラメータを直接出力する。
学習戦略も本手法の鍵である。著者らは意味的に多様なスタイルペアで予測器を学習させ、参照画像の外観手がかりを保ちながら、参照内容そのものが生成画像へコピーされる傾向を抑制することを狙った。これはアダプタ手法でよく見られる失敗パターンであり、既存手法の弱点に直接対処する設計だ。
実験ではZ-Image、FLUX.2、Hidream-O1の3つのモデルで検証が行われた。その結果、i2Lは既存のベースラインと比べてスタイル忠実度、プロンプト整合性、知覚品質のいずれも改善した。
i2Lは明示的なLoRA重みを出力するため、副次的な利点も生む。非対称な分類器なしガイダンス（asymmetric classifier-free guidance）、複数の参照画像によるスタイル融合、そして他の制御可能な生成モジュールとの組み合わせをサポートする。論文は11ページ・図9点で、コンピュータビジョンとパターン認識（cs.CV）に分類され、番号はarXiv:2606.13809である。