Skip to content
ニュースTHUDM、新しい画像生成モデルCogView3とCogView-3Plusをオープンソース化

THUDM、新しい画像生成モデルCogView3とCogView-3Plusをオープンソース化

THUDMは最近、最新の画像生成モデルCogView3とCogView-3Plus-3BをGitHubでオープンソース化しました。これらの2つのモデルは、テキストから画像生成の分野における最新の進歩を示し、印象的な性能と効率性を発揮しています。

CogView3: カスケード拡散の革新

CogView3はカスケード拡散に基づくテキストから画像生成システムです。「リレーディフュージョン」と呼ばれる新しいフレームワークを採用しており、高解像度画像を生成するプロセスを複数の段階に分解します。リレー超解像プロセスを通じて、システムはまず低解像度の画像を生成し、それにガウスノイズを加え、これらのノイズのある画像から新しい拡散プロセスを開始します。

THUDMの研究によれば、CogView3は人間の評価でSDXLを最大77.0%の勝率で上回っています。さらに驚くべきことに、CogView3の生成時間はSDXLのわずか10分の1であり、実用的なアプリケーションに大きな影響を与える可能性があります。

CogView-3Plus-3B: 軽量DiTモデル

CogView3と共に、THUDMはDiT（Diffusion Transformer）アーキテクチャに基づく画像生成モデルCogView-3Plus-3Bもオープンソース化しました。DiTモデルは拡散モデルとトランスフォーマーの利点を組み合わせ、画像生成タスクで強力な性能を示しています。

比較的軽量なモデル（わずか3Bパラメータ）として、CogView-3Plus-3Bは高速な推論速度と低いリソース要件を提供しながら、高品質な出力を維持することを目指しています。

オープンソースへの貢献

CogView3とCogView-3Plus-3Bをオープンソース化することで、THUDMは研究コミュニティに貴重なリソースを提供するだけでなく、開発者や企業が高度な画像生成技術を実用的なアプリケーションに統合する可能性を提供します。これら2つのモデルのオープンソース化は、テキストから画像生成技術とその応用をさらに進展させるのに役立ちます。

将来の展望

CogView3とCogView-3Plus-3Bのオープンソース化により、これらのモデルに基づくより革新的なアプリケーションが期待されます。クリエイティブデザインからコンテンツ生成、視覚支援ツールまで、これらのモデルには幅広い潜在的な応用シナリオがあります。

同時に、これは他の研究チームにとって貴重な参考資料を提供し、画像生成の分野でさらなる革新とブレークスルーを促す可能性があります。

参考リンク