주어진 데이터 샘플을 생성하는 초기 노이즈를 찾는 과정인 역변환 (inversion)은 별도의 학습이 필요 없는 이미지 편집 (training-free image editing)과 같은 다운스트림 애플리케이션의 핵심 요소입니다. 기존의 고정점 역변환 (fixed-point inversion) 방법들은 각 역변환 단계를 고정점 문제 (fixed-point problem)로 공식화하여 역변환 정확도를 향상시키지만, 실제 상황에서 발생할 수 있는 여러 고정점 해 (fixed-point solutions) 중에서 하나를 선택하는 원칙적인 메커니즘이 부족합니다. 본 연구에서는 서로 다른 선택이 서로 다른 역변환 궤적 (inversion trajectories)을 유도하며, 이것이 재구성 (reconstruction) 및 편집 품질의 상당한 차이를 초래한다는 점을 관찰했습니다. Rectified flows의 경우, 이러한 변동이 궤적 직선도 (trajectory straightness)와 밀접하게 연관되어 있음을 추가로 발견하였으며, 이에 따라 직선도를 원칙적인 선택 기준으로 삼을 것을 제안합니다. 우리는 표준적인 국소 가정 (local assumptions) 하에서 정확한 역변환 루트 (inverse root)로의 수렴성을 유지하면서도, 더 직선적인 역궤적을 유도하는 고정점 해를 선택하는 고정점 역변환 방법인 SelFix를 제안합니다. FLUX.1-dev 및 PIE-Bench에 대한 실험 결과, SelFix는 고정점 역변환을 개선하여 기존의 역변환 베이스라인보다 더 강력한 실제 이미지 재구성 및 원본을 더 잘 보존하는 프롬프트 기반 편집 성능을 달성함을 보여줍니다. 코드는 https://github.com/seminkim/selfix 에서 확인할 수 있습니다.