画像生成分野において、高解像度でリアルな画像の生成は、特にテキストから画像への合成において、多くの課題に直面してきました。従来の生成手法は、拡散モデルや変分自己回帰（VAR）フレームワークに大きく依存していました。これらのモデルは高品質な画像を生成できますが、膨大な計算資源を消費するため、リアルタイムアプリケーションへの適用には柔軟性に欠けていました。同時に、VARモデルは離散的なトークン処理において累積誤差が発生しやすく、生成画像の詳細が失われ、画像のリアリティに影響を与えていました。これらの欠点を克服するために