Reveが画像生成モデル「Reve 2.0」を発表、レイアウト制御で構図を精密指定

画像生成AIを使っていて、構図は完璧なのに「テーブルの上のカップだけを少し左に動かしたい」と指示した途端、人物の顔や部屋全体の光が激変してしまった経験は誰にでもあるはずです。現在の画像生成はプロンプトを長文テキストに変換して拡散モデルに渡す仕組みが主流ですが、テキストの持つ曖昧さこそが精密なコントロールを阻む最大の要因でした。

Reveはこの課題に対し、中間表現からテキストを完全に排除し、構造化された「レイアウト」を採用した画像生成モデル「Reve 2.0」を発表しました。

プロンプトではなく「レイアウト」で制御する

Reve 2.0が採用したレイアウトとは、WebページにおけるHTMLやベクター画像におけるSVGのような存在です。画像内のすべての要素に対して、位置、大きさ、局所的な説明、さらに色や参照画像といった属性が構造的に定義されています。

これにより、意味的な意図とピクセルの描画が明確に切り離されます。ユーザーは自然言語で指示を出すだけでなく、レイアウトの構造データを直接書き換えて要素の配置を微調整することも可能です。

この仕組みを動かすため、同社は独自の「統合大規模レイアウトモデル（Large Layout Model）」を構築しました。オープンソースのQwenモデルを活用して追加の事前学習と事後学習を実施し、レイアウトに関する空間推論能力を学習させています。データパイプラインは、詳細な人手アノテーションを起点とした数十億枚の画像で構成されています。

10分の1のGPUリソースで大手に対抗

Reveによると、Reve 2.0は時価総額1兆ドル未満の企業が開発した画像生成モデルとして最高水準の性能を記録したといいます。特筆すべきは、競合モデルと比べて10分の1のGPUリソースでトレーニングを完了させたという点です。

同社のアブレーション検証では、同じモデルサイズであれば、従来のプロンプトベースの生成器よりもレイアウトベースのモデルのほうが一貫して優れた画像を生成することが確認されました。

画像再構成の実験でも差は歴然としています。テキストプロンプトではどれだけ詳細に記述しても元画像から乖離しますが、レイアウトモデルはピクセルを入力しなくても、領域の分割数を増やすだけで細部まで忠実に再現しました。出力する領域数を増やすこと自体が視覚的な思考コンテキストの拡大につながり、編集精度の向上をもたらします。

なぜ重要か

クリエイターやデザイナーにとって、Reve 2.0が提示したアプローチは生成AIの最大の弱点である再現性の低さを解決する有力な選択肢になります。商業制作ではピンポイントの修正指示が不可欠ですが、従来のモデルでは運任せのガチャになりがちでした。レイアウトという共通言語があれば、背景を固定したまま特定オブジェクトの位置や色だけを変える作業が現実的になります。

業界全体にとっても、巨大IT企業による力まかせのコンピュート競争に対し、中間表現の再設計というアーキテクチャの工夫で対抗できることを示した意義は大きいといえます。オープンソースのQwenをベースに空間推論を効率よく獲得させた点も、スタートアップの開発手法として非常にスマートです。

ただし、課題はインターフェースにあります。構造化データによる制御は機械や開発者には扱いやすい反面、一般的なユーザーにとってはプロンプトを打ち込むだけの気軽さを損なうおそれがあります。直感的なUIでこのレイアウト操作をどこまで自然に隠蔽できるかが、普及の鍵を握ると考えられます。