Qwen、画像編集モデル「Qwen-Image-Edit」発表：画像内文字の修正や180度回転に対応

生成 AI が作った画像を修正しようとすると、たいてい別の絵になって返ってきます。服の色だけを変えてほしいのに顔まで変わってしまったり、ポスターの誤字を直そうとしたらレイアウト全体が崩れたりするのが日常茶飯事でした。

アリババの Qwen チームは 8 月 18 日、画像編集に特化した新モデル「Qwen-Image-Edit」を公開しました。20B パラメータの Qwen-Image をベースに構築されており、狙った部分だけを外科手術のように修正できるのが特徴です。

ピクセル保持と意味理解を切り離す

これまでの画像生成モデルが編集を苦手としていたのは、画像全体の「意味」と「見た目」をうまく切り分けられなかったためです。

Qwen-Image-Edit はユニークな設計を採用しました。入力画像を「Qwen2.5-VL」（視覚的意味の制御）と「VAE エンコーダー」（視覚的外観の制御）という 2 つのモジュールに同時に流し込みます。

これにより、まったく性質の異なる 2 種類の編集が可能になりました。1 つ目はピクセル単位の外観編集です。看板を追加しつつ水面の反射も描画したり、顔にかかった細い髪の毛を消したり、英単語の特定の文字だけ色を変えたりといった操作が、周囲のピクセルを一切崩さずに実行できます。

2 つ目は高度な意味編集です。ピクセルは大きく変化しても、被写体の同一性を保ちます。公式マスコットのカピバラを使って 16 種類の MBTI 表情差分を作ったり、正面画像から 90 度や 180 度回転させた背面の姿を生成したりできます。

ポスターの文字修正もピンポイントで可能

画像内のテキスト編集も強力です。特に中国語と英語のバイリンガル対応をうたっており、フォントやサイズ、質感を維持したまま文字列を書き換えることができます。

公開されたデモでは、AI が生成した古典書道作品『蘭亭序』の誤字を、範囲指定を使って段階的に修正していく様子が紹介されました。複雑な漢字の一部分だけを狙って差し替え、完璧な作品に仕上げています。

現在、この機能は Qwen Chat 内の「Image Editing」から試すことができます。

なぜ重要か

私たちは、現在の画像生成 AI に最も必要だったのは「ゼロから描く派手さ」ではなく「破綻なく手直しできる実用性」だったと考えています。

デザイナーやコンテンツ制作者にとって、文字の間違いや細部の破綻のために画像を何十回もガチャのように引き直す作業は大きなストレスでした。既存の構図やタッチを完全に保ったまま微調整ができるなら、業務フローへの導入ハードルは一気に下がります。

技術面でも、視覚言語モデルの理解力と VAE のピクセル再現力を組み合わせたアプローチは理にかなっています。難解な文字修正では何度か段階を踏む必要がありそうですが、修正指示を忠実に聞くツールとして試す価値は十分にあります。