拡散モデル

訓練は、破壊から逆向きに進みます。技術者は大量の画像を集め、それぞれに少しずつノイズを加え、さらに加え、やがて砂嵐だけが残るようにします。次に、ニューラルネットワークに、ノイズの乗った絵を見て、どの傷み具合でも加えられたノイズを予測するよう教えます。それが確実にできるようになれば、逆向きにも動かせます。純粋なノイズから始め、一歩ずつ整えていくと、存在しなかった画像ができあがります。

このノイズ除去を導くのが、あなたの文章です。テキストエンコーダーがプロンプトを数値に変え、各ステップでネットワークはその数値に合う絵へと押し進められます。ガイダンスという設定が、どれだけ厳密にあなたの指示に従うかを決めます。多くのモデルは、フルサイズの画素ではなく圧縮された空間で作業するため、各ステップが安くなります。Euler や DPM といった名前のサンプラーは、速度となめらかさを交換します。ステップ数は、時間と引き換えに細部を増やします。少ないステップで良い結果に達するよう蒸留されたモデルもあり、非常に速い生成器はこうして生まれます。

実用上、二つの結果が生じます。一つ目は、出発点のノイズがシードで決まることです。同じプロンプト、設定、シードなら同じ絵が再び得られ、シードを変えればバリエーションになります。二つ目は、モデルが描くのは、学習した「もっともらしいもの」であって、真実ではないことです。そのため、文字、手、混み合った場面は失敗しやすく、言葉選びが大切になります。典型的な成果物は、イラスト、製品のモックアップ、コンセプトアート、テクスチャ、絵コンテです。拡散モデルは、トークンを一つずつ文章に書く言語モデルとは別の種類の道具ですが、二つは一つのアプリに組み合わされることがよくあります。

Z-Image Turbo は、NeverNo がスタジオの初期設定にしている、文章から画像を作るモデルです。Tongyi のオープンモデルで、無料プランを含むすべてのプランに含まれており、1メガピクセルの標準的な画像は約3秒で、これは当社の画像提供元 Runware で測定した値です。待ち時間がとても短いので、複数のバリエーションを頼み、言葉を一つ直してみるのが自然な使い方になります。NeverNo 自身の画像提供元を通して提供され、外部の研究所による審査が間に入ることはなく、作成した画像は暗号化されてブラウザに保存されます。

スタジオでは、1,500文字までの説明を書き、15種類のスタイルプリセットから一つ、8種類の縦横比から一つを選び、一回の依頼で最大4つのバリエーションを頼めます。画像ジェネレーターのページでは、その考え方を説明しています。むやみな拒否はなく、透かしもありません。NeverNo の絶対的な制限は引き続き適用され、何かが描かれる前に確認されます。未成年者に関わるものや、同意のない実在の特定できる人物の画像は扱いません。