DiffSynth-Studio、1枚の画像からLoRAを自動生成する「Qwen-Image-i2L」を公開

Qwen-Image-i2Lは、DiffSynth-Studioが公開したオープンソースのツールキットです。画像を1枚入力するだけで、その特徴を反映したLoRAモデルファイルを直接出力します。

通常、特定の画風や被写体を画像生成モデルに学習させるには、数十枚の画像を集めてキャプションを付け、GPUで時間をかけて微調整する必要があります。Qwen-Image-i2Lは推論処理だけで画像の視覚的特徴をLoRAの重みへと直接変換します。

用途に応じた4つのモデル構成

本プロジェクトでは、役割の異なる4つのモデルが公開されています。

1つ目はパラメータ数2.4Bの「Qwen-Image-i2L-Style」です。SigLIP2とDINOv3を画像エンコーダに採用しており、あえて細部の再現度を抑えることで、画像から純粋な画風情報だけを抽出してスタイル転送に利用できます。

2つ目は7.9Bの「Qwen-Image-i2L-Coarse」です。Qwen-VL（解像度224x224）を組み合わせることで構図や内容を捉えられますが、単体での使用は推奨されていません。

3つ目はCoarseと併用する7.6Bの「Qwen-Image-i2L-Fine」です。Qwen-VLの入力解像度を1024x1024に引き上げ、高精細なディテールを補完します。

最後がわずか30Mの「Qwen-Image-i2L-Bias」です。学習データの分布差によって生じる生成結果の偏りを補正し、Qwen-Image本来のトーンに近づける役割を持ちます。

動作環境と注意点

コードとモデルの重みはGitHub、Hugging Face、ModelScopeで公開されています。

公式スクリプトにはディスクオフロードによるVRAM節約機能が組み込まれており、VRAM容量に応じた推論が可能です。数枚の統一画像や単一の被写体写真を用意すれば、safetensors形式のLoRAを書き出せます。

また、Coarse、Fine、Biasを組み合わせて生成した重みを、通常のLoRA学習の初期値として使うことで、学習の収束を大幅に早める手法も提示されています。

ただし開発元によれば、汎化性能や極小ディテールの保持にはまだ課題が多く、実験的段階のツールと位置づけられています。

なぜ重要か

時間と計算リソースを要していたモデルの微調整プロセスを、推論1回で完了させるアプローチは非常に実用的です。リアルタイムな画風適用や即時カスタマイズの可能性を広げました。

新しい画風を手軽に試したいクリエイターや、LoRA学習の初期化を高速化したい開発者にとっては今すぐ触る価値があります。一方で、商業レベルの厳密な顔立ちの固定や複雑なプロダクトの再現には、まだ従来の追加学習が必要です。