Stable Diffusionとは — 以後の多くが借用したオープンモデル

拡散モデルは“画像が壊れていく様子”を見て学習します。写真に少しノイズを足し、さらに足し、最後は完全な砂嵐にし、各段階で“取り去られたもの”を当てるようにネットワークを訓練します。これを純粋なノイズから逆に辿ると、そこになかった絵が描き出されます。

これをフル解像度で行うのは非常に高コストです。各ステップが全ピクセルに作用するからです。“潜在”の工夫は、まず画像を構造は保ちつつピクセルの詳細を捨てた小さな表現に圧縮し、その小さな空間でノイズの全工程を走らせ、最後にだけ本物の画像へデコードすることです。

この一手が一般ユーザーに届いた理由です。生成コストを桁で下げ、“借り物の計算クラスタ”ではなく“手元のグラフィックスカード”で画像生成を可能にしました。

StabilityはAPIだけでなくモデルファイルそのものを公開しました。これは最も長い影響を持つ事実で、成果が当たり前になった今は過小評価されがちです。

誰でもモデルを精読・改変できたため、ベースモデルに欠けていた“制御の層”が築かれました。LoRAはスタイルや被写体を小さな追加ファイルで教えられるようにし、再学習を不要にしました。ControlNetはポーズや深度、エッジなどの構造入力に生成を沿わせる手段を与えました。コミュニティのcheckpointはベースモデルをイラスト、写真、建築などに特化させました。

この時期に生まれた語彙は、今や画像生成全般の共通語です—seed、sampler、denoise強度、CFG、inpainting。実際に開けるモデルを読み書きしたオープンなコミュニティが普及させた言葉であり、本サイトの用語集がこの流儀で書かれている理由でもあります。

昔よりは楽になりましたが、なお“気軽”ではありません。ワンクリックのインストーラもあれば、高度なノードベースUIもあります。“画像は出た”から“狙った画像が出た”までの距離に時間がかかります。

見返りは、ホスティング型では得にくいコントロールです。厳密なseed、任意の解像度、好みのcheckpointやLoRA、出力に介在するコンテンツパイプラインの不在、ハードウェア以降の従量コストなし、そしてデータを外に出さない運用。

代償は“小さなインフラの運用者になる”ことです。モデルファイルは1つ数GB、拡張同士が競合し、十分なメモリのあるグラフィックスカードが入場券です。“画像が欲しい人”はホスト型で幸せになりやすく、“プロセスが欲しい人”が残ります。

“素の出力品質”では自動的に最有力とは言えません。いくつかの新しいモデル—Stable Diffusionに関わった人々が一部で手がけたFLUXを含みます—は、promptの逐語的な解釈や可読な文字の描画で優れます。

なお強みとして残るのはエコシステムです。古いバージョンの上に積み上がったcheckpoint、スタイル適応、制御系ツール群の量は、新顔が短期で獲得できるものではありません。特定の作風の再現や既存パイプラインがある場合、一般品質の差を上回る価値があります。

また、後発のバージョンほど初期より条件付きのライセンスで出荷される傾向があります。想定用途に対して個別のライセンスを必ず確認してください。“重みがオープン”と“あらゆる用途が自由”は、すでに同義ではありません。

本サイトの多くの技法ページは、このモデルが普及させた用語を使います。denoise強度はimage-to-imageで元からどれだけ離れるかを決め、seedは再現性を与え、inpaintingはマスク内だけを編集して周囲は保ちます。これらの概念は、最終的にどのモデルを使っても通用します。

だからこそ、たとえインストールしなくてもStable Diffusionを理解する意義があります。“このモデルのインターフェースが言語に染み出した”からです。一度学べば、他のあらゆるツールが読みやすくなります。