Stable Diffusion

Stable Diffusion について

Stable Diffusion は Stability AI によるオープンウェイトのテキスト画像生成モデル群です。テキストプロンプトから画像を生成でき、クローズドなサービスとは異なり、自分のコンピュータにダウンロードして実行できます。1 枚あたりの料金はなく、プロンプトをクラウドに送る必要もありません。オープンな画像生成の波を生んだモデル群であり、コミュニティツール、ファインチューン、チュートリアルのエコシステムは今も最大規模です。

世代は 3 つあります。2022 年に公開された SD 1.5 は小さく高速で、コミュニティ拡張のライブラリが最も豊富です。2023 年 7 月の SDXL 1.0 は 1024×1024 ピクセルでネイティブに生成し、手や短い文字の描画が改善されました。2024 年 10 月の Stable Diffusion 3.5 は Large、Large Turbo、Medium の 3 バージョンがあり、3 世代の中で品質とプロンプトへの忠実度が最も高いです。多くの人は ComfyUI や AUTOMATIC1111 WebUI といった無料インターフェースで実行するか、Stability AI のウェブアプリや API を使っています。

主な機能

• テキストからの画像生成：写実的なポートレートからアニメ、商品写真、建築レンダリングまで、あらゆるスタイルの画像をプロンプトで生成できます。
• 画像から画像へ：既存の画像を起点に、構図を保ったままスタイルや細部を変換できます。
• インペインティングとアウトペインティング：画像の一部を消して描き直したり、元の枠の外側へキャンバスを広げたりできます。
• ControlNet：ポーズ、深度マップ、エッジ描画、スケッチで生成を誘導し、偶然任せではなく自分が選んだ構図に従わせます。
• LoRA によるファインチューニング：少数の画像で小型アダプターを学習させ、特定のスタイル、キャラクター、商品、顔を一貫して再現できます。
• コミュニティのチェックポイント：Hugging Face や CivitAI には数千のファインチューンモデルがあり、水彩画からサイバーパンクまで幅広いスタイルを網羅します。
• アップスケールとディテール強化：専用のアップスケーラーモデルで画像を拡大し、細部を補います。
• 完全なローカル制御：自分の GPU でオフライン実行でき、プロンプトと画像は非公開のまま、枚数制限なく生成できます。
• オープンウェイト：モデルファイルはダウンロード可能で、各ライセンスの下で無料で使え、サブスクリプションもベンダーロックインもありません。

使い方

1. ハードウェアに合ったモデルを選びます。SDXL は 8GB の VRAM を持つコンシューマー向け GPU で快適に動作します。SD 3.5 Medium は約 10GB、SD 3.5 Large はさらに多く必要です。
2. ComfyUI や AUTOMATIC1111 WebUI などの無料インターフェースをインストールし、Hugging Face からチェックポイントをダウンロードして models フォルダに入れます。
3. 被写体、スタイル、光、雰囲気を説明するプロンプトを書き、ぼやけや低品質といった避けたい内容をネガティブプロンプトに加えます。
4. まとめて生成し、最も良いものを選んでから、シードやサンプラー、ステップ数を変えて磨き上げます。
5. 精密な制御が必要なときは ControlNet を使い、キャラクターのポーズや部屋の深度マップで誘導します。
6. 一貫したスタイルやキャラクターが必要なときは LoRA を加え、インペインティングで手や顔、小さな欠陥を修正します。
7. 商用利用の前に使うモデルのライセンスを確認し、プロンプトと設定を保存して良い結果を再現できるようにします。

料金とライセンス

モデル自体は無料でダウンロードしてローカルで実行でき、ハードウェアさえ整えば 1 枚あたりのコストはかかりません。ライセンスはバージョンによって異なります。SD 1.5 は CreativeML OpenRAIL-M、SDXL は OpenRAIL++-M、SD 3.5 は Stability AI コミュニティライセンスで、研究用途と年商 100 万ドル未満の商用利用は無料、それ以上はエンタープライズ契約が必要です。Stability AI はローカル GPU を使いたくない人向けに有料ホスティングと API も提供しています。

長所

• 一度セットアップすれば無料で無制限。サブスクリプションも、1 枚あたりの料金も、1 日の上限もありません。
• 完全なプライバシーと制御。すべて自分のマシンで動き、任意のチェックポイント、LoRA、拡張機能を導入できます。
• オープンな画像生成で最も深いエコシステム。長年のチュートリアル、拡張機能、コミュニティモデルがあります。
• 再現可能な結果。シード、サンプラー、設定により良い画像を正確に再現できます。
• ControlNet と LoRA により、クローズドなツールではめったに得られない精密で再現性のある制御が可能です。

短所

• セットアップには相応の手間がかかります。ソフトウェアの導入、モデルの探索、設定の調整は初心者には優しくありません。
• まともな GPU が必要です。統合グラフィックスや性能の低いカードでは遅いか使えず、最大のモデルは 12GB 以上の VRAM を要します。
• 品質はチェックポイントとプロンプトに大きく依存し、そのままでは最高のクローズド生成器ほど洗練されていません。
• プロンプトへの忠実度と画像内の文字の読みやすさは、最新のクローズドモデルに及びません。
• ライセンス条件はバージョンごとに異なり、商用利用者は使用するモデルのライセンスを必ず読む必要があります。