AIToday
画像生成Zenn AI/ML掲載日時: 2026年11月18日 4:00

Qwen-Image-Edit、20B MMDiTで文字だけ局所修正

LINEで送る
Qwen-Image-Edit、20B MMDiTで文字だけ局所修正

3つのポイント

  1. 何が起きたか

    2025年8月18日にApache-2.0で公開されたQwen-Image-Editは、20B MMDiTバックボーンを持つ20.43Bパラメータのモデルである。

  2. なぜ重要か

    編集をQwen2.5-VLによる意味制御とVAEによる外観アンカーに分離する設計が、マスク外の小さな文字が崩れやすい粗いインペインティングより局所修正の破綻が少ない理由として示されている。

わからないところ、AIに聞けます

質問と回答はこのページに公開されます。

こういう要約が、毎朝あなたのメールに届きます。

背景と解説

問題はプロンプトではなく構造にある。従来のテキスト駆動の再生成や粗いインペインティングは、入力画像をノイズ空間の深部まで押し込んでから再びデノイズするため、マスク端が不自然になり、マスク外の小さな文字が潰れやすい。ポスターやパッケージ、メニューでプロンプトを試し直すチームが、安定性を得られないまま生成回数だけを膨らませてしまうのは、この失敗パターンが原因だ。

Qwen-Image-Editが採る解決策は、同じ入力画像を2つの経路に流すことにある。Qwen2.5-VLが指示と画像をまとめて解釈し、何を変え何を変えないかを決める。一方でVAEエンコーダが色、質感、照明、テキストレイアウトをアンカーとして保持する。この分離を経て初めて、20B MMDiTが統合された信号を受け取る。

限界もある。入力画像を必要とする編集モデルであり、ベース画像をゼロから生成する用途はZ-Image TurboやGPT-Image級のモデルに任せるべきだ。2511でドリフト耐性が向上しても、元画像と1つの指示による1回のパスを推奨し、4〜5回の上書き積み重ねは避けるよう求めている。推奨出力解像度は示されておらず、呼び出し側が自分でサイズを設計する前提だ。

よくある質問
Qwen-Image-Editの規模とライセンスは?
BF16で20.43Bパラメータ、20B MMDiTバックボーンを持ち、2025年8月18日にApache-2.0で公開された。
推奨の推論設定は初回リリースと同じか?
いいえ。初回リリースは50ステップ、true_cfg_scale 4.0だった。2509と2511は40ステップ、true_cfg_scale 4.0、guidance_scale 1.0と記載されている。
日本語テキストは得意か?
公式に謳う強みは英語と中国語のテキスト描画だ。複雑な漢字を含むポスターでは、拡大して結果を確認したい。
LINEで送る

あなたの仕事に関係するAIニュースを、毎朝お届けします。

業界と使っているAIツールを選ぶと、仕事に関係するニュースが毎朝届きます。

登録無料・Googleアカウントなら30秒・いつでも解除できますAITodayについて →

AIに質問

この記事についてわからないことをAIに質問できます。AIはこの記事・AIToday の過去記事・Wikipedia を読み、出典を付けて答えます。Q&Aはこのページに公開され、他の読者も読めます。

質問と回答はこのページに公開されます。

このようなAIの動きを、御社の業界・競合に合わせて毎日届ける法人プランもあります → 詳しく見る

関連記事

次の記事へAINOWがAIエージェントで雑務委任の手順解説