Last Updated on 2024-06-18 21:29 by admin

Stability AIは、人気のあるStable Diffusionテキストから画像への生成AI技術の背後にある企業であり、新しい画像生成モデル「Stable Cascade」をプレビューしています。この新モデルは、現行のStable Diffusionモデルよりも柔軟で効率的な画像生成への新しいアプローチを証明することを目的としています。Stability AIは2022年からStable Diffusionモデルのコアに対して着実にイテレーションを重ねており、2023年7月のSDXL 1.0リリースを新たなフラッグシップリリースとし、2023年11月のSDXL Turboアップデートでさらに加速しました。

Stable Cascadeは、SDXLとは異なるアーキテクチャを使用しており、Würstchenアーキテクチャに基づいて構築されています。このアーキテクチャは、パフォーマンスと精度を向上させるための一連の革新的な技術を使用しています。Würstchenの研究概要によると、「我々の研究の主要な貢献は、非常に詳細でありながら極めてコンパクトなセマンティック画像表現を学習し、この表現を使用して拡散プロセスをガイドする潜在拡散技術を開発することである」と述べています。この高度に圧縮された画像表現は、言語の潜在表現と比較してはるかに詳細なガイダンスを提供し、最先端の結果を達成するための計算要件を大幅に削減します。

Stable Cascadeは、単一の大規模モデルを使用するStable Diffusionとは異なり、A、B、Cの3つの異なる小さなモデルからなるパイプラインを利用する3段階のモジュラーアーキテクチャを採用しています。このモジュラーアーキテクチャは、トレーニングの効率性とカスタマイズ性において大きな利点を提供します。最初の段階であるStage Cは、テキストプロンプトをコンパクトな24×24ピクセルの潜在表現に変換します。次に、Stage AとBがこれらの潜在表現をフルハイレゾリューションの画像にデコードします。テキストから画像への生成を画像デコードから分離することで、初期のテキスト条件付きモデルをはるかに効率的にトレーニングおよび微調整することができます。Stability AIによると、Stage Cのみを微調整することで、同等のサイズの単一Stable Diffusionモデルと比較して16倍のコスト削減が可能になります。

Stable Cascadeは、画像の品質をさらに向上させるためにDirect Preference Optimization（DPO）の可能性も持っています。画像内のテキスト生成において、Stable CascadeはSDXLを含む他の主要なAIアートモデルを画像品質とプロンプトの整合性の両方で上回っています。注目すべきは、SDXLよりも14億も多いパラメータを持ちながら、Stable Cascadeがより高速な推論時間を持っていることです。Stable Cascadeは、圧縮された潜在空間を通じて、そのマルチステージアプローチを通じて複雑な画像をより効率的に生成することができます。また、Stable Cascadeは、画像内のテキストを適切に生成するタイポグラフィの能力もサポートしており、これはSDXLが得意としない機能です。Stable Cascadeは現在、研究プレビューとして利用可能であり、GitHub上で非商用利用のためのコードが提供されています。

【ニュース解説】

Stability AIが開発した「Stable Cascade」という新しい画像生成モデルが、従来の「Stable Diffusion」モデルを進化させる形で登場しました。この新技術は、画像生成のプロセスをより柔軟かつ効率的にすることを目指しています。特に注目すべきは、そのモジュラーな3段階アーキテクチャで、これによりトレーニングの効率性とカスタマイズ性が大幅に向上しています。

Stable Cascadeの開発には、Würstchenアーキテクチャが用いられており、これは画像のセマンティック（意味的）表現を非常にコンパクトに圧縮する技術を基盤としています。この技術により、画像生成に必要な計算コストを大幅に削減しつつ、高品質な画像を生成することが可能になります。

このモデルは、テキストから画像を生成する初期段階（Stage C）と、その後の画像を高解像度にデコードする段階（Stage AとB）に分かれています。この分離により、特に初期段階のモデルを効率的にトレーニングおよび微調整することが可能となり、同等サイズの単一モデルと比較して大幅なコスト削減が実現されています。

また、Stable CascadeはDirect Preference Optimization（DPO）という技術を用いることで、画像の品質をさらに向上させる可能性を秘めています。この技術は、人間の好みに合わせてモデルを調整するためのもので、より自然で魅力的な画像生成が期待されます。

画像内のテキスト生成においても、Stable Cascadeは他のAIアートモデルを上回る性能を示しています。これは、画像内でのテキストの適切な生成が可能であることを意味し、例えば広告やグラフィックデザインなど、テキストを含む画像が必要な場面での利用が期待されます。

この技術の進化は、AIによる画像生成の可能性をさらに広げるものであり、クリエイティブな分野だけでなく、教育や研究など多岐にわたる用途での活用が期待されます。しかし、このような強力な技術には、著作権やプライバシーの問題、不適切な画像の生成といったリスクも伴います。そのため、技術の発展とともに、これらの問題に対する適切な規制やガイドラインの整備も重要な課題となります。

長期的には、Stable Cascadeのような技術がさらに進化し、よりリアルで、より多様な画像生成が可能になることで、私たちの生活や社会に大きな変化をもたらす可能性があります。AI技術の倫理的な使用を確保しつつ、その可能性を最大限に活用することが、今後の大きな挑戦となるでしょう。

from What comes after Stable Diffusion? Stable Cascade could be Stability AI’s future text-to-image generative AI model.

admin

自己紹介の全文を表示