Qwen-Image-2.1 릴리스: 네이티브 투명도를 지원하는 7B 통합 텍스트-이미지 생성 및 편집 모델

요약 (TL;DR)

Qwen-Image-2.1은 단일 모델 내에서 투명 PNG를 포함한 이미지 생성 및 편집이 가능한 7B 규모의 소형 시각 생성 코어를 제공하며, 최대 10개의 참조 이미지, 유연한 영역 기반 편집, 인물 및 제품에 대한 더 높은 충실도를 제공합니다.

소형 및 효율적인 아키텍처

결론: 이 모델의 32개 단일 스트림 DiT 레이어와 혼합 세분성 어텐션(mixed-granularity attention)은 모델을 가볍게(7B 파라미터) 만들고 속도를 높여줍니다.

시각 생성 구성 요소는 32개의 DiT 레이어와 7B 파라미터를 포함합니다.
추론 속도는 텍스트에 대한 토큰 수준의 인과 마스크와 이미지 생성을 위한 청크 수준의 마스크를 통해 향상되었습니다.
KV-캐시 재사용을 통해 모델이 입력 이미지와 편집 지침을 정적 컨텍스트로 처리하여 메모리 사용량을 줄이고 다중 이미지 편집 속도를 높입니다.
내부 Qwen-Image-Bench 벤치마크 결과, 더 큰 규모의 비공개 모델과 비교해도 손색없는 품질을 보여주면서도 실행 비용은 훨씬 저렴합니다.

네이티브 투명도 및 통합 생성/편집

결론: Qwen-Image-2.1은 이전 Qwen-Image-Layered 모델의 투명도 기능을 통합하여 프롬프트에서 직접 RGBA 출력을 요청할 수 있습니다.

불투명 출력과 투명 출력 간의 프롬프트 기반 선택이 가능합니다.
별도의 후처리 단계 없이 복잡한 투명 합성(여러 요소)을 생성합니다.
알파 채널을 유지하면서 표정을 변경하는 등 투명 레이어 편집을 지원합니다.
RGB 사진에서 피사체를 RGBA 레이어로 추출하여 자산 재사용을 간소화할 수 있습니다.

다재다능한 편집 기능

다중 참조 이미지

결론: 최대 10개의 입력 이미지를 하나의 일관된 구성으로 결합할 수 있습니다.

입증된 사용 사례: 그룹 인물 사진(6개 참조), 가상 의상 착용(5개 참조), 전체 실내 인테리어 디자인(10개 참조).

유연한 영역 선택

결론: 사용자는 원형, 페인트 주석 또는 별도의 마스크를 통해 편집 위치를 지정할 수 있습니다.

원형 가이드 편집을 통해 서로 다른 영역을 동시에 수정할 수 있습니다.
페인트 가이드 편집을 통해 사용자가 이미지 위에 직접 임의의 마스크를 그릴 수 있습니다.
원본 이미지와 이진 마스크를 제공하면 마스크 영역을 편집하는 동안 수정되지 않은 콘텐츠를 보존할 수 있습니다.
순차적인 마스크 가이드 편집을 통해 프레임별 애니메이션 생성이 가능합니다.

충실도 개선

결론: 이 모델은 인물 사진에서 정체성을 더 잘 보존하고 편집 중 제품 세부 정보(텍스트, 질감, 모양)를 유지합니다.

인물 사진 예시는 여러 번의 편집 과정에서도 일관된 얼굴 특징을 보여줍니다.
제품 예시는 브랜드 요소와 표면 질감을 유지합니다.

확장된 작업 범위

결론: Qwen-Image-2.1은 파노라마, 인포그래픽, 스토리보드를 즉시 처리할 수 있습니다.

셀카를 360° 파노라마로 확장할 수 있습니다.
모델 사진을 정보가 풍부한 인포그래픽으로 변환할 수 있습니다.
3면 캐릭터 스케치를 전체 스토리보드로 변환할 수 있습니다.

사실적인 질감 및 세련된 미학

결론: 텍스트 렌더링, 타이포그래피 및 인물 조명에 대한 전용 개선 사항이 적용되었습니다.

텍스트 생성은 글꼴 스타일, 레이아웃 및 주변 장면과의 통합을 고려합니다.
인물 사진은 조명과 미세한 세부 사항이 개선되어 "AI 특유의 어색함"이 줄어들었습니다.

커뮤니티 피드백 하이라이트 (Hacker News)

긍정적: 사용자들은 모델의 작은 크기(Qwen-Image-1의 20B 대비 7B)와 네이티브 투명도 기능을 칭찬하며, 더 큰 상용 모델과 경쟁할 만하다고 평가합니다.
성능: RTX 4090에서 제공된 convrot 추론 스크립트를 사용하여 1MP 이미지를 약 5초 만에 처리합니다.
라이선스 우려: 이 릴리스는 이전의 Apache-2.0 라이선스와 달리 별도의 계약 없이는 상업적 사용을 금지하는 제한적인 "Qwen RESEARCH LICENSE" 하에 배포됩니다.
텍스트 렌더링: UI 디자인 플랫폼을 운영하는 한 사용자는 Qwen-Image-2.1의 텍스트 충실도가 다른 모든 오픈 웨이트 모델을 능가한다고 보고했으나, 매우 긴 프롬프트는 텍스트 인코더에 과부하를 줄 수 있습니다.
제한 사항: 일부 댓글 작성자들은 가끔 발생하는 프롬프트 미준수(예: 잘못 배치된 3D 텍스트)와 특히 중간 톤 영역에서의 잔여 VAE 아티팩트를 지적했습니다.
문화적 편향: 명시적인 참조 이미지로 안내하지 않으면 모델이 기본적으로 아시아인의 얼굴 특징을 따를 수 있다는 관찰이 있습니다.

실질적인 영향

디자인 및 자산 생성: 네이티브 RGBA 출력은 별도의 배경 제거 도구가 필요 없어 UI/UX 디자인 파이프라인을 간소화합니다.
전자상거래: 고충실도 제품 편집은 브랜딩을 보존하여 카탈로그 생성에 유용합니다.
콘텐츠 제작: 다중 참조 및 영역 기반 편집을 통해 마케팅 비주얼, 스토리보드, 파노라마를 빠르게 구성할 수 있습니다.
연구: 혼합 세분성 어텐션 아키텍처는 토큰 수준의 텍스트 제어와 청크 수준의 이미지 효율성 간의 균형을 맞추는 청사진을 제공합니다.

시작하기

코드: https://github.com/QwenLM/Qwen-Image-2.1
모델 가중치: https://huggingface.co/Qwen/Qwen-Image-2.1
추론 스크립트: 저장소에는 RTX 4090에서 빠른 1MP 생성을 위한 convrot가 포함되어 있습니다 (~5초).
하드웨어 팁: 사용자들은 배치 크기를 줄이고 512픽셀 해상도를 사용할 경우 8GB GPU에서도 성공적으로 실행된다고 보고합니다.

결론

Qwen-Image-2.1은 7B 확산 모델이 계산 효율성을 유지하면서도 고품질 생성, 네이티브 투명도 및 정교한 다중 이미지 편집을 제공할 수 있음을 입증합니다. 통합된 접근 방식은 디자이너, 개발자 및 연구자의 진입 장벽을 낮추지만, 제한적인 라이선스로 인해 상업적 채택은 제한될 수 있습니다.