Qwen-Image-2.1 リリースノート / 新機能

Qwen-Image-2.1 は画像生成と編集を7Bパラメータモデルに統合

Qwen-Image-2.1 は、テキストからの画像生成と画像編集を単一のアーキテクチャに統合したオープンソースの画像モデルです。7Bパラメータと32層のSingle-Stream DiTレイヤーを備えた視覚生成コンポーネントを特徴としており、高い生成品質と推論効率、そして計算コストの削減を両立させています。

ネイティブな透明度と統合された作成機能

Qwen-Image-2.1 は、透明画像（RGBA）の生成と編集をネイティブでサポートしており、以前は Qwen-Image-Layered のような専用モデルで提供されていた機能を統合しました。

テキストから透明度へ: モデルはプロンプトを使用して、標準的なRGB画像を出力するか、透明度チャンネルを持つ画像を出力するかを判断します。
透明レイヤー編集: ユーザーは、透明な背景を維持したまま、透明レイヤー内の要素を編集できます（例：被写体の表情を変える、テキストを修正する（「BLOOM」を「Qwen-Image」に置き換えるなど））。
被写体抽出: モデルはRGB写真を処理し、特定の被写体を透明度付きのRGBAレイヤーとして抽出し、デザインや合成に使用することができます。

高度な画像編集機能

Qwen-Image-2.1 では、参照能力、ローカル制御、忠実度に焦点を当てた画像編集機能の強化がいくつか導入されています。

複数の参照画像

このモデルは最大10枚の参照画像をサポートしており、複数の異なるアセットを1つのまとまった構成に組み合わせることができます。例として以下が挙げられます：

集合写真: 6枚の個別のポートレートを1枚の集合写真に統合。
バーチャル試着: 5つの入力（モデル、服、靴、バッグ、帽子）を完全なコーディネートに統合。
インテリアデザイン: 10枚の家具画像を使用して、完全な部屋の配置を生成。

ローカル編集と領域選択

Qwen-Image-2.1 は、編集領域を指定するために3つの方法を提供します：

円: 色の異なる円を使用して、同時編集のための複数の領域を特定します（例：時計の削除、髪色の変更、服の交換）。
ペイント注釈: 画像の特定の領域を白くマークして新しい要素を追加します（例：画像の特定の場所にダイバーを追加）。
個別のマスク: 元の画像と個別のマスクを2つの異なる入力として受け取り、マスクされた領域のみを編集しながら元のコンテンツを保持します。

連続的なローカル編集を使用して、シーンの残りの部分を保持しながら連続的な変更を加えることで、単純なアニメーションを作成することも可能です。

忠実度とタスクの網羅性

このモデルは、ポートレートのアイデンティティ保持（顔の特徴）と製品の一貫性（テキスト、テクスチャ、形状）を向上させています。また、タスクの網羅性も拡大し、以下を含みます：

パノラマ: 1枚の自撮り写真からパノラマを生成。
インフォグラフィック: モデル写真を詳細な構成に拡張。
ストーリーボード: 3面図のキャラクター参照を完全なストーリーボードに変換。

推論効率とアーキテクチャ

特に複数の参照画像を使用する場合の推論を最適化するために、Qwen-Image-2.1 は混合粒度アテンションアーキテクチャを採用しています。

アテンションマスキング: テキスト、システムプレフィックス、編集指示にはトークンレベルの因果マスクを使用し、画像生成にはチャンクレベルのマスクを使用します。
KVキャッシュの再利用: 入力画像と編集指示は静的なコンテキストとして扱われ、最初のステップで計算およびキャッシュされるため、メモリ使用量を削減し、速度を向上させます。

視覚的美学とタイポグラフィ

Qwen-Image-2.1 は、タイポグラフィとポートレートに重点を置いた洗練された美学を備えています。テキストレンダリングは、書体スタイル、レイアウト、およびテキストと全体的な構成との関係を考慮するようになりました。ポートレート生成は、照明の強化と細かいディテールによってさらに改善され、よりリアルな外観を実現しています。