AMD、1ステップ画像生成「Nitro Diffusion」をオープンソース公開

AMD Nitro Diffusionは、テキストからの画像生成をわずか1ステップの推論に凝縮したオープンソースの拡散モデルです。従来の数十ステップに及ぶノイズ除去処理を省き、データセンターのサーバーからAI搭載PCやノートPCなどのエッジ端末まで、高速かつ高品質な画像生成を可能にします。

仕組みと構成

Nitro Diffusionは、従来のフルステップ拡散モデルに匹敵する画質を保ちながら、1ステップ推論の効率性を実現しています。今回は特性の異なる2つのオープンソースモデルをベースに開発されました。

1つ目は「AMD Stable Diffusion 2.1 Nitro」です。UNetアーキテクチャをバックボーンに採用し、テキストエンコーダとしてCLIPを組み合わせています。

2つ目は「AMD PixArt Sigma Nitro」です。こちらはDiffusion Transformer（DiT）構造を採用し、より大規模なT5テキストエンコーダと組み合わせることで、複雑なプロンプトや詳細な描画に対応します。

実装面ではPyTorchおよびHugging FaceのAccelerateライブラリを活用し、事前に計算された潜在表現を用いることでトレーニングのスループットを大幅に向上させました。学習はすべてAMDのアクセラレータ「Instinct MI250」上で実施されています。

入手方法と実行環境

コードとモデルの重みはすべてオープンソースとして完全公開されています。

Hugging Face上のモデルカード（AMD Stable Diffusion 2.1 NitroおよびAMD PixArt Sigma Nitro）から直接ダウンロードでき、GitHubリポジトリにも推論手順とコードが用意されています。また、手元にAMD製GPUがない開発者向けに、AMD Developer Cloudを通じて対象GPUへリモートアクセスして検証する環境も案内されています。

なぜ重要か

リアルタイムな画像生成アプリを作りたい開発者や、PCローカル環境で低遅延かつ低消費電力に画像を出力したいユーザーにとって、1ステップ拡散モデルは極めて実用的な選択肢です。UNetとDiTという主要な2系統が揃っている点も検証しやすい利点といえます。

また、AMDが自社のInstinct MI250アクセラレータを使ってモデル学習から推論までの実用性を実証した点も見逃せません。生成AI領域で先行するNvidiaエコシステムに対し、AMD環境でも実践的なモデルが問題なく動くことをオープンソース成果物を通じて直接示した意味は大きいです。