画像生成

主要ニュース

1. 1

   小型AI画像生成モデルがマイコンで稼働

   開発者が12層の潜在フロートランスフォーマーによる超小型画像生成モデルを製作し、マイコン上で完全動作させた。パラメータ数はわずか2.4〜400万個。 低消費電力のマイコン上で約20秒で128x128の顔画像を生成し、複雑なAIタスクが最小限のハードウェアで動くことを実証。これまで不可能だった機器でのAI生成が可能になるかもしれない。国内の組み込み機器開発者は、従来は不可能だった機器上でのAI画像生成を試せる可能性がある。

   開発者はリポジトリを公開予定で、他の人がモデルを再現・実験できる。CFGとRelu²活性化関数の採用が画質と効率を向上させ、こうした超小型AIシステムのさらなる最適化の可能性を示している。

2. 2

   AI画像ベンチマークにMuse、Seedream、Grok Imagine登場

   AI画像ベンチマークの新エピソードで、Meta Muse Image 1.0、Seedream 5.0 Pro、Grok Imagine Image 2.0を含む8社の33モデルを比較。 画像生成1回あたりのコストは0.0025ドル（Flux Fast Schnell）から0.25ドル（Recraft 4 Pro）まで100倍の差があり、プロバイダー間の価格差が大きい。国内のAI画像生成サービス利用企業は、モデル選択時の価格差を踏まえたコスト判断が求められる可能性がある。

   価格、レイテンシー、サンプル画像を含む完全なレポートは、著者のブログで公開されている。

3. 3

   Cara、攻撃対策ツールを開発へ

   アーティスト向けポートフォリオプラットフォーム「Cara」が、AI学習に作品を使わせたくないクリエイター向けに設計されているが、トロールによるデータ取得・公開の攻撃を受けている。 AI学習に反対するアーティストの受け皿であるCaraが、そのデータを狙った攻撃に直面している。この攻撃は、AI学習に対するアーティストの懸念と、プラットフォームの脆弱性を浮き彫りにする。

   Caraは攻撃への対策として、協力してツールを開発している。このツールがどのように機能し、アーティストのデータを保護できるかが焦点となる。

4. 4

   AWSとfalが創造的ワークフローで提携

   AWSは、エージェント型AIワークスペース「Amazon Quick」が、Model Context Protocol（MCP）を通じてfalの生成メディアプラットフォームと連携する統合を発表した。これにより、クリエイターは8コマのストーリーボードやミュージックビデオのコンセプトといったワークフローを、1つのインタラクティブなセッション内で実行できる。 クリエイティブチームはキャパシティを超える需要に直面しており、実に78%のクリエイティブリーダーがこの問題を報告している。生成速度の向上だけでは、ワークフローの断片化は解決しない。この統合は、ステップ間でコンテキストを保持し、人間による承認ゲートを追加し、反復可能なプロセスを共有可能な「スキル」としてパッケージ化する。国内のクリエイティブ制作現場では、ツール間の受け渡しを減らした一体型ワークフローの導入が進む可能性がある。

   セットアップにはfalアカウントとAPIキーに加え、Amazon QuickでリモートMCPコネクタを追加する権限が必要。ストーリーボードワークフローは、FLUX.1 Kontextを使用して参照ガイド付きのパネル生成を行う。

5. 5

   アドビ、PhotoshopにAIアシスタント搭載

   アドビはPhotoshop向けにAI中心のアップデートを展開中で、「AIアシスタント編集」ビューと呼ばれる新たな「任意」インターフェースを追加。ベータ版として提供され、プロンプトベースの編集、背景除去、AI画像拡張など、すべてのAI機能を1つのツールバーにまとめている。 アドビは「マークアップ」機能も追加。画像に直接描き込むことで、領域の色変更や矢印のスケッチなど、AIアシスタントに変更内容を指示できる。テキストプロンプトへの依存を減らし、AI編集をより視覚的で使いやすいものにする。国内の画像編集作業者は、より直感的なAI操作で業務効率が高まる可能性がある。

   今回のアップデートには「マスク付き指示編集」機能の強化が含まれる。アドビによると、Firefly Image 5モデルは画像全体の文脈を理解できるようになり、「閉じた目を開く」といった変更を手動で領域指定せずに指示できるという。

6. 6

   AppleのLuce、写真を3Dアセットに変換

   Appleの研究者が、ジオメトリとPBRマテリアルをボクセル化したマルチモーダルなガウシアンクラウドに統合する3D表現「Luce」を発表した。単一画像から、修正フロートランスフォーマーを用いて潜在表現を生成し、3Dアセットを作り出す。 Luceは、Toys4Kベンチマークで単一画像からの3D生成において最先端の性能を達成し、最強のベースラインに対してFIDを28%改善した。また、AI生成画像の新ベンチマークでも最良のベースラインを上回り、CLIP画像整合スコアは0.8519（ベースラインは0.8299）を記録した。

   Luceは、テキストやロゴ、碑文などの微細なディテールを保持し、再照明可能なPBRガウシアンまたは接線空間法線マップ付きのテクスチャメッシュを出力できる。これにより、AI生成3Dアセットが標準的なレンダリングパイプラインでより利用しやすくなる可能性がある。