Qwen-Image-2.1リリース：ネイティブ透過機能を備えた7B統合テキストから画像生成および編集モデル

TL;DR

Qwen-Image-2.1は、テキストから画像生成と画像編集（ネイティブなRGBA透過機能を含む）を1つのモデルでサポートするコンパクトな7Bパラメータの視覚生成モデルであり、RTX 4090で約5秒で1MP画像を生成できるほど効率的に動作します。

コンパクトなアーキテクチャと推論最適化

結論： 軽量な設計（32層のSingle-Stream DiT、7Bパラメータ）により、低計算コストで競争力のある画像品質を実現しています。

  • 視覚生成部は32層のDiTから構成され、合計7Bパラメータで、20BのQwen-Image-1よりもはるかに小さく、6BのZ-Image Turboと同等の規模です。
  • 混合粒度のアテンション方式により、テキスト用のトークンレベルの因果マスクと画像生成用のチャンクレベルのマスクを分離しています。これによりKVキャッシュの再利用が可能になり、入力画像と編集指示は一度計算してキャッシュされるため、複数画像編集時のレイテンシとメモリ使用量が削減されます。
  • Qwen-Image-Benchでのベンチマークでは、Qwen-Image-2.1は多くの閉鎖型モデルと同等またはそれを上回る性能を発揮しながら、運用コストははるかに低くなっています。

ネイティブ透過機能と統合生成/編集

結論： 透過機能がモデルに直接組み込まれており、別途背景除去パイプラインを用意する必要がありません。

  • プロンプトに応じて、RGB画像か透過チャンネルを備えたRGBA画像のどちらを出力するかをモデルが判断します。
  • 単純な透過アセット（アイコン、ロゴ）から、複数要素を含む複雑な構成まで生成可能です。
  • 透過レイヤー上で編集が可能：表現、色、さらには埋め込まれたテキストもアルファチャンネルを保持したまま変更できます。
  • 通常のRGB写真から被写体を抽出し、クリーンなRGBAレイヤーとして出力できるため、デザイナーによるアセットの再利用がスムーズになります。

柔軟な編集機能

複数の参照画像

結論： 最大10枚の参照画像を1つの整合性のある出力に統合でき、複雑なシーン構成が可能になります。

  • 例：6枚のポートレート参照画像を1枚のグループ写真に統合。
  • 例：5つのファッションアイテム（モデル、衣類、靴、バッグ、帽子）を1つの完璧なセットに統合。
  • 例：10枚の家具画像を使って完全に配置されたインテリアを生成。

非常に柔軟な領域選択

結論： 円、塗りつぶしの注釈、または別々のマスクを使って編集領域を指定でき、細かい制御が可能です。

  • 円ガイド編集では、複数の領域を同時に編集可能（例：時計の削除、髪の色の変更、衣装の変更）。
  • 塗りつぶしガイド編集では、ユーザーが任意の形状を描いて新しいコンテンツの配置場所を示すことができます。
  • マスクガイド編集では、元の画像を損なわず、マスクされた領域をモデルが埋めるため、シンプルなアニメーションの順次編集にも対応できます。

質の向上

結論： ポートレートでは顔の特徴が一貫性を保ち、製品ではテキスト、テクスチャ、形状などの詳細が維持されます。

  • ポートレートの例では、編集間でも顔の特徴が一貫しています。
  • 製品の例では、ロゴ、フォント、素材のテクスチャが操作後も安定しています。

タスクカバレッジの拡張

結論： Qwen-Image-2.1はパノラマ、インフォグラフィック、ストーリーボードを扱えるため、単一画像生成を超えた柔軟性を示しています。

  • シェルフィーを全幅のパノラマに拡張可能。
  • モデル写真を詳細なインフォグラフィックに変換可能。
  • 3ビューのキャラクタースケッチをマルチパネルのストーリーボードに変換可能。

視覚的品質：テクスチャ、タイポグラフィ、ポートレートの照明

結論： 前回のオープンウェイトリリースと比べ、よりシャープなテキストレンダリングとより現実的なポートレート照明を実現しています。

  • テキストレンダリングはフォントスタイル、レイアウト、周囲のグラフィックとの統合を尊重し、読みやすい小文字要素を生成します。
  • ポートレートは照明の質が向上し、細部まで精巧な顔のディテールと自然な陰影を表現しています。

コミュニティからのフィードバックのハイライト

  • 肯定的： ユーザーはウェブデザインタスクにおけるテキストレンダリングの高さを称賛し、モデルの高速性（RTX 4090で1MP画像生成に約5秒）にも注目しています。ネイティブ透過機能はオープンソースモデルの中でもユニークな利点とされています。
  • 否定的： ライセンスが以前のQwenリリースよりも制限が厳しく、別途契約なしに商用利用は禁止されています。一部のコメントでは、時折プロンプトの意図を正しく理解できない問題や、VAEの残存アーティファクトが見られるとの報告があります。
  • 観察： 複数のコメントでは、コスト効率の面で閉鎖型競合モデルと比較して有利であると評価されていますが、オープンソースコミュニティが将来的にライセンス制約を回避する可能性もあると指摘されています。

実用的な考慮事項

  • インストール： モデルはGitHub、Hugging Face、ModelScopeで利用可能です。高速な生成のために提供されている convrot 推論スクリプトを使用できます。
  • ハードウェア要件： 現代のGPU（例：RTX 4090）では1MP画像を約5秒で生成可能。低スペックGPUでは比例的にレイテンシが高くなります。
  • ライセンス： Qwen RESEARCH LICENSEは商用利用を制限しています。本番環境にデプロイする前にGitHubリポジトリ内のライセンスファイルを確認してください。

最後に

Qwen-Image-2.1は、7Bの拡散モデルでありながら、高品質で透過に対応した画像生成と高度なマルチ画像編集を実現しつつ、高速かつコスト効率の良い性能を発揮していることを示しています。統合的なアプローチにより、デザイナー、ECクリエイター、ビジュアルストーリーテラーのパイプラインが簡素化されていますが、制限的なライセンスが商用採用を制限する可能性があります。

Sources

関連