智譜AIが最新のオープンソース画像生成モデルCogView4を発表しました。CogView4は、6億のパラメータ数を誇り、中国語入力と中国語テキストから画像への生成を全面的にサポートしており、画像の中に漢字を生成できる最初のオープンソースモデルとして注目されています。CogView4は、中国語と英語の両言語プロンプトに対応できる点が最大の特徴であり、特に複雑な中国語指示の理解と遵守に優れており、中国語コンテンツ制作者にとって朗報です。画像の中に漢字を生成できる最初のオープンソース画像生成モデルとして、オープンソース分野における大きな空白を埋めるものです。

最近、通義は最新の通義万相大規模モデルWan2.1のオープンソース化を発表しました。Wan2.1は、高品質な動画生成に特化したAIモデルであり、複雑な動き処理、現実的な物理法則の再現、映画のような質感の向上、指示への遵守の最適化において優れた性能を発揮し、クリエイター、開発者、企業ユーザーにとってAI時代を切り開くための最適なツールとなっています。

Googleは先日、最新の画像生成モデルImagen 3を正式に発表し、Gemini APIで開発者向けに利用可能になりました。このモデルは、超現実主義の作品、印象派の風景画、抽象画、アニメキャラクターなど、様々なスタイルの高品質な画像を生成できる優れた視覚効果を備えています。Imagen 3は、画像の鮮明さと構成能力を向上させただけでなく、簡素化されたテキストプロンプトにより、ユーザーがアイデアを画像に変換しやすくなりました。当初、Imagen 3は有料ユーザーのみに提供されます。

AIメディアテクノロジー企業Runwayは、最新のテキストから画像生成モデル「Frames」を発表しました。AIビデオモデルで知られるRunwayが、画像創作分野における影響力の拡大を目指した取り組みです。Framesは、特に映画のような視覚効果の生成において高い評価を得ており、ユーザーから広く好評を得ています。このモデルは2024年11月に初めて発表され、過去数週間はRunwayクリエイタープログラムのユーザーに先行体験版が提供されていました。

AI画像生成技術は急速に発展していますが、モデルのサイズが大きくなり、一般ユーザーにとっての学習や使用コストが高くなっています。今、"Sana"と呼ばれる新しいテキストから画像へのフレームワークが登場し、最大4096×4096ピクセルの超高解像度画像を効率的に、そして驚くべき速度で生成します。ノートPCのGPUでも動作可能です。Sanaの中核設計には、深層圧縮自己符号化器が含まれています。従来の自己符号化器が画像を8倍に圧縮するのに対し、Sanaが使用する自己符号化器は…

先日、NVIDIAは「Sana」という画像生成モデルをオープンソース化しました。このモデルのパラメータ数はわずか6000万個で、動作に必要なハードルが大幅に低くなっています。Sanaは4096×4096ピクセルの画像生成が可能で、16GBのGPUでも動作し、1024×1024ピクセルの高画質画像を1秒未満で生成できます。この速度は同種のモデルの中でも際立っています。SanaはDC-AE（デュアルチャネルオートエンコーダ）技術に基づいており、32倍の潜在…

上海階躍星辰智能科技有限公司は先日、画像生成モデルStep-1Xシリーズの大幅なアップグレードを発表し、性能が向上したStep-1X-Mediumバージョンをリリースしました。このアップグレード版では、MMDitアーキテクチャに基づき生成速度が30％以上向上しました。また、ターゲットを絞ったトレーニングにより、理解力とテキストと画像の一貫性が向上し、生成された画像のディテールと質感がより自然になりました。

Shakker AIは本日、最新の高度な画像生成モデルであるZeno-1を発表しました。このモデルは、前身であるFLUX.1の優れた美学と芸術性を継承しているだけでなく、内部推薦システムによってスタイルの多様性が飛躍的に向上しています。Zeno-1の発表は、デジタルアート制作ツールの新たな時代を告げるものです。Zeno-1は、ユーザーがかつてない方法でデジタルアート作品を形成および洗練できる、さまざまな制御ツールを提供します。Zeno-1の主な特徴は以下のとおりです。パレットコントロール：

アリババは先日、最新開発の画像生成モデルQwen2vl-Fluxをオープンソース化すると発表しました。このモデルは、編集、融合、混合など複数の機能を備えているだけでなく、ユーザーが入力した画像やテキストに基づいて、高い類似性を持つ新しい画像を生成できます。Qwen2vl-Fluxは強力な画像変換機能を提供します。ユーザーは画像を1枚入力するだけで、テキストプロンプトは不要です。モデルは元の画像に基づいて、複数の類似画像を生成します。例えば、ユーザーが人物写真をアップロードすると、モデルは様々な角度からの画像を生成できます。

人気のAI画像生成ツールFLUX 1.1 Proが大幅アップデート。新バージョンFLUX 1.1 Pro Ultraが登場しました。新バージョンでは最大4メガピクセルの高解像度に対応し、生成速度も大幅に向上、画像生成時間は約10秒に短縮されました。FLUX 1.1 Pro UltraはUltraモードとRawモードの2つのモードを提供し、鮮明さとリアルさに対するユーザーの様々なニーズに対応します。Ultraモードでは、超高解像度の画像生成が可能です。

生成AIは目覚ましい発展を遂げていますが、その性能を包括的に評価することは依然として課題です。様々なモデルが登場し、その効果はますます驚異的になっています。しかし、これらのテキストから画像を生成するモデルの効果をどのように評価すれば良いのでしょうか？従来の評価方法は、人間の目による評価に頼るため主観性が強すぎるか、CLIPScoreのような単純な指標を使用しますが、これらの指標は、オブジェクト間の関係や論理的推論など、複雑なテキストプロンプトの細部を捉えきれないことが多々あります。そのため、多くのテキストから画像を生成するモデルの評価結果が不正確になったり、誤った評価がされる可能性があります。

アリババの通義实验室による最新の研究によると、既存のテキストから画像を生成するDiffusion Transformerモデルは、特定の関係を持つ複数の画像を生成する能力を既に備えており、少し「ヒント」を与えるだけで「統合理解」し、高品質の複数画像セットを生成できることが示されました。従来のDiffusionモデルは「丸暗記」をする生徒のようなもので、高品質の画像を生成するには大量のデータによるトレーニングが必要でした。しかし、IC-LoRAの活用により、「類推」が得意な秀才のようなモデルとなり、少量のデータで済むようになります。

画像AIスタートアップのRecraftが、最新のテキスト生成画像モデルRecraft v3を発表しました。このモデルは独立テストで優れた性能を示し、画像生成のパフォーマンス基準を塗り替えました。Recraftによると、v3モデルは、画像内のテキストの生成、解剖学的正確性の維持、プロンプトの理解、高品質なビジュアルコンテンツの作成において優れた性能を発揮します。最大の進歩は、一度の生成で長いテキストを正確に表示できる点です。他の多くのモデルでは、数単語を超えるテキストを処理するとしばしば問題が発生します。

最近、LLM大規模言語モデルランキングで注目を集めていた謎のモデルred_panda（レッドパンダ）の正体がついに明らかになりました。このモデルは、英国の人工知能スタートアップ企業Recraft AIが発表した最新の画像生成モデルRecraft V3です。red_pandaという名前で公開されて以来、Recraft V3は10万票を超える投票を獲得し、Artificial Analysisランキングで1172のELOスコアを獲得し、他のモデルをリードしています。注目すべきは

先日、北京人工知能学院の研究チームは、OmniGenという新しい画像生成モデルを発表しました。Stable Diffusionなどの従来の画像生成ツールとは異なり、OmniGenは単一タスクに特化していません。様々な能力を備えています。一つの統一されたフレームワークの中で、テキストから画像の生成、画像の編集など、複数の画像生成タスクを処理できます。まさに万能選手と言えるでしょう。つまり、ユーザーはシンプルなプロンプトを提供するだけで…

Google DeepMindとマサチューセッツ工科大学（MIT）は、最近の研究で大きな成果を発表しました。研究チームが開発した新しい自己回帰モデルFluidは、テキストから画像を生成する分野で画期的な進歩を遂げ、105億パラメーター規模に拡張された後、優れた性能を発揮することが示されました。この研究は、業界の一般的な認識を覆すものです。これまでは、自己回帰モデルは自然言語処理分野で主導的な地位を占めていましたが、画像生成においてはStable DiffusionやGoogleのモデルに劣ると考えられていました。

昨日夜、Stability AIは、その最強のモデルであるStable Diffusion 3.5を発表しました。これは単一のモデルではなく、研究者からビジネス愛好家、スタートアップ企業、企業まで、多様なニーズを満たすことを目的とした3つのバージョンを含むファミリーパックです。この3つのバージョンは、Stable Diffusion 3.5 Large、Stable Diffusion 3.5 Large Turbo、そして10月29日にリリース予定のバージョンです。

最近、研究チームが共同でMeissonicというオープンソースのAI画像生成モデルを発表しました。驚くべきことに、このモデルはわずか10億パラメーターしか使用していませんが、高画質の画像を生成できます。このコンパクトな設計により、Meissonicはモバイルデバイス上でローカルなテキスト画像変換アプリケーションを実現する可能性を秘めています。この技術の開発には、阿里巴巴、Skywork AI、複数の大学に所属する研究者らが参加しています。彼らは独自のトランスフォーマーアーキテクチャと革新的なトレーニング方法を採用することで、…

NVIDIA、マサチューセッツ工科大学、清華大学の研究者らが協力して開発した、Sanaと呼ばれる新しいテキストから画像生成フレームワークが登場しました。このフレームワークは、最大4096×4096ピクセルの高解像度画像を効率的に生成できます。Sanaは、高解像度で高品質、テキストとの整合性の高い画像を非常に高速に合成でき、ノートパソコンのGPUでも動作します。Sanaの中核となる設計には、深層圧縮オートエンコーダーが含まれています。従来のオートエンコーダーが画像を8倍にしか圧縮できないのに対し、Sanaで訓練されたオートエンコーダーは…