Stability AIが「SDXL 1.0」公開、手や文字の描写力が大幅向上

SDXL 1.0は、Stability AIが正式公開した主力テキスト画像生成モデルだ。ネイティブ1024x1024解像度の出力に対応し、従来のモデルで破綻しがちだった手や文字、複雑な空間配置の描写力を大きく改善している。

何ができるのか

最大の進化は出力画質とスタイルの自由度だ。特定モデル特有の質感に引きずられることなく、実写から各種アートスタイルまで幅広く描画できる。色彩の正確さやコントラスト、陰影表現も前世代から向上した。

プロンプトの理解力も向上した。従来のように「masterpiece」や「best quality」といった画質向上のための呪文を並べる必要はなく、短い自然な指示で高品質な画像が得られる。

概念の差別化もこなす。「The Red Square（モスクワの赤の広場）」と単なる「red square（赤い正方形）」を正しく認識し分ける。さらに「手前の犬を追いかける奥の女性」のような、前後関係の重なりがある構図や文字の描写精度も上がっている。

動作の仕組みと動かし方

SDXL 1.0はオープンな画像生成モデルとして最大級の規模を持つ。パイプライン全体で66億パラメータ、ベースモデル単体で35億パラメータに達する。

処理は2段階のアンサンブル構成をとる。まず35億パラメータのベースモデルが潜在変数を生成し、専門のRefinerモデルが最終的なノイズ除去とディテール調整を担当する。ベースモデル単体で動かすことも可能だ。

これだけの規模を持ちながら、8GBのVRAMを搭載した民生用GPUや一般的なクラウド環境で動作するよう設計されている。

重みとソースコードはCreativeML OpenRAIL++-MライセンスのもとGitHubで公開された。ローカル環境だけでなく、ClipdropやDreamStudio、Discord、AWS、公式API経由でも試すことができる。専用のControlNetやファインチューニング機能も準備中だ。

なぜ重要か

ローカルでAIイラストを生成しているクリエイターにとって、作業手順が根本から変わる。512解像度から拡大処理を重ねたり、手の修正に追われたりする手間が大幅に減り、市販のグラフィックカードで実用的な出力が得られるようになる。

オープンソース陣営にとっても大きな節目だ。Midjourneyをはじめとする商用プロプライエタリサービスとの品質差が一気に縮まった。コミュニティによるLoRAや追加学習のエコシステムが立ち上がれば、今後の画像生成ツールの標準基盤になるだろう。