Stability AI、リアルタイム画像生成モデル「SDXL Turbo」公開

キーボードで文字を打ち込むたびに、画面上の画像がリアルタイムに形を変えていく。そんな未来がいよいよ現実になりました。

Stability AIは、1ステップでの画像生成を可能にするリアルタイム画像生成モデル「SDXL Turbo」を公開しました。従来のモデルで標準的だった50回の反復ノイズ除去ステップを、わずか1回に短縮しています。

新技術「ADD」で単一ステップ生成を実現

従来の拡散モデルは、ノイズを段階的に取り除いていくため、数十ステップの計算待ちが必要でした。SDXL Turboは、敵対的拡散蒸留と呼ばれる新しい蒸留技術を採用しています。

敵対的生成ネットワークが持つ1ステップ出力の瞬発力と、スコア蒸留技術を組み合わせることで、従来の蒸留モデルで見られた画像のぼやけやアーティファクトの発生を抑えることに成功しました。

処理速度の向上は圧倒的です。Nvidia A100環境において、プロンプトのエンコードから単一のデノイズ、デコード処理までを含めた512x512ピクセルの画像生成がわずか207ミリ秒で完了します。このうちUNetのフォワード計算に要する時間はわずか67ミリ秒です。

ブラインドによる画質およびプロンプト追従性の比較テストでは、1ステップのSDXL Turboが4ステップのLCM-XLを上回り、4ステップのSDXL Turboは50ステップの従来型SDXLを上回る評価を獲得しました。

提供状況とライセンス

SDXL Turboは、Stability AIの画像編集プラットフォームであるClipdrop上で無料のベータデモとして公開されており、主要なブラウザからリアルタイム生成を試すことができます。

また、モデルの重みとコードはHugging Face上で公開されています。ただし、配布形式は非商用研究ライセンスとなっており、現時点では個人の非商用利用や研究用途に限定されています。商用利用を希望する場合は、同社への個別問い合わせが必要です。

なぜ重要か

SDXL Turboの登場は、AI画像生成を「結果を待つ作業」から「リアルタイムな対話型ツール」へと進化させた点において極めて意義深い一歩です。

生成時間が約200ミリ秒まで短縮されたことで、デジタルペイントソフトのリアルタイムアシストや、ライブ配信、ゲーム内の動的テクスチャ生成など、これまで速度の壁で不可能だった応用先が一気に現実味を帯びてきます。

業界全体にとっても、高速化のために画質を大幅に犠牲にする必要がないことを実証した意味は大きいです。LCMなどの先行する高速化手法に対して強力な技術的カウンターを提示しており、モデル蒸留の標準を押し上げました。

一方で、非商用ライセンスによる制限や、標準出力が512x512ピクセルにとどまる点は制約と言えます。商用サービスへの即時組み込みや高精細な印刷用途には追加のステップが必要ですが、単一ステップ拡散の実現は生成AIの体験を決定的に変える成果です。