オープンソース画像編集「VIBE」登場：2K画像を約4秒で編集

VIBE は、自然言語の指示だけで画像を素早く加工できるオープンソースの画像編集モデルです。NVIDIA H100 上なら、2K 解像度の画像編集をわずか約 4 秒で完了できます。

現在普及している画像編集モデルは 6B から 20B ものパラメータを持つ巨大な拡散モデルが主流で、計算コストの高さと生成の遅さが導入の壁になっていました。VIBE はその流れに逆らい、徹底的に無駄を削ぎ落とした設計を採用しています。

何ができるのか

VIBE が得意とするのは、元画像のディテールを崩さずに指示された箇所だけを書き換えるインストラクション編集です。

人物の写真にマフラーを描き足すといった部分的な修正はもちろん、昼間の風景を夜景に変えて街灯の明かりを灯すような環境変化、背景の総入れ替え、アートスタイルの変更まで柔軟に対応します。

ベンチマークの ImgEdit や GEdit における検証では、元画像の保持が求められる物体除去や属性調整において、自身の何倍も巨大な先行モデルと同等以上のスコアを記録しました。

仕組みと必要なスペック

この驚異的な処理速度は、2 つの軽量モデルを賢く連携させることで実現しています。指示を読み取るエンコーダには 2B パラメータの Qwen3-VL を採用し、画像生成を担う拡散モデルには 1.6B パラメータの Sana 1.5 を組み合わせています。

システム全体は BF16 精度で 24GB の GPU メモリに収まります。標準モデルでも H100 上で 2K 解像度を約 4 秒で出力可能です。

さらに、推論時のガイダンス計算を省く CFG 蒸留版も公開されており、約 1.8 倍から 2 倍の高速化を果たしています。蒸留版なら 1024x1024 解像度で約 0.64 秒、2K 解像度でもわずか 1.97 秒で処理できます。

コードは GitHub で公開されており、Hugging Face 上ではステップ数やプロンプトの影響度を自由にスライダーで調整できる無料のオンラインデモが利用可能です。

なぜ重要か

巨大モデルを力任せに回すアプローチが目立つなか、実用的な画像編集なら軽量モデルの組み合わせで十分勝負できることを示した点が極めて合理的だと評価できます。

個人開発者やクリエイターにとって、24GB の要件は将来的な量子化によって一般的な民生用 GPU でも数秒でローカル動作させられる可能性を意味します。即座に結果が返ってくる編集ツールを求めているなら、真っ先に試す価値があります。

極めてニッチな表現や複雑すぎるプロンプトでは巨大モデルに及ばない場面もあると考えられますが、日常的な画像修正やワークフローの自動化において、VIBE の軽快さと精度のバランスは強力な選択肢になります。