画像生成モデル「L2P」公開：VAEを完全排除しピクセル空間で直接生成

ここ数年の画像生成 AI を触ってきた人なら、細部のテクスチャが潰れたり文字が崩れたりする現象に見慣れているはずです。その大きな要因となってきたのが、生成された圧縮データを画像に戻す VAE という変換機構でした。

研究チームは新たな画像生成モデル「L2P」を公開しました。従来の潜在空間と VAE を完全に排除し、ピクセル空間で直接画像を描き出すモデルです。

わずか 8 基の GPU でピクセル空間へ移植

一般的な潜在拡散モデルは計算負荷を下げるため、潜在空間と呼ばれる圧縮領域で画像を生成し、最後に VAE で肉眼に見えるピクセルへ復元します。この方法は効率的ですが、圧縮と復元の過程でどうしてもディテールや精細さが削られてしまいます。

一方で、ピクセル空間で動作するモデルを一から学習させるには天文学的な計算リソースが必要です。そこで L2P は、既存の有力モデルから知識を効率よく引き継ぐ転移アプローチを採用しました。

Z-Image などの学習済みモデルの中間層を固定し、浅い層だけを再学習させることでピクセル変換を習得させています。さらにモデル自身が生成した合成画像のみを学習データに使ったため、実データの収集を一切行わず、わずか 8 基の GPU で潜在表現からピクセル空間への移行を完了させました。

ネイティブ 4K 出力と 20GB の重み

VAE によるメモリ消費の制約がなくなったことで、L2P はネイティブ 4K 出力に対応し、理論上は 8K への外挿も可能になりました。

リアルな質感やタイポグラフィの再現性に優れ、DPG-Bench では元のモデルと同等のスコアを記録し、GenEval では 93% の性能に到達しました。公開された比較では、Z-Image Turbo や Qwen といった既存のオープンソース潜在空間モデルを上回る描写力を示しています。

現在、公式リポジトリではコードとファインチューニング用スクリプトに加え、1K 解像度向けのモデル重みが公開されています。ただしファイルサイズが約 20GB あるため、ローカル環境で動かすには中上位クラスの GPU が必要となります。より高解像度なモデルは今後のリリース待ちです。

なぜ重要か

L2P が示した最大の意義は、高品質なピクセル空間モデルを作るために膨大な計算資源で再学習する必要はないと証明した点にあります。既存の資産を賢く活用することで、低コストに潜在空間の知識をピクセル空間へ引き継げる道を開きました。

クリエイターにとっては、長年悩まされてきたディテールの滲みや文字崩れを根本から解決した高精細画像を扱える未来が近づいたと言えます。ただし、1K モデルでも約 20GB を要するため、現時点で一般ユーザーが気軽に試すにはハードウェアのハードルが残ります。

業界全体で見れば、この移行手法が他のオープンソース基盤モデルにも波及していく可能性があります。わずかな GPU で VAE の呪縛を解く技術が一般化すれば、次世代の画像生成競争はピクセル空間を舞台にさらに加速しそうです。