Z-Image - Alitongyiが発表した画像生成モデル

Zイメージとは何ですか？

Z-Imageは、アリババ同義が開発した画像生成モデルで、60億個のパラメータを備えています。このモデルには、Z-Image-Turbo、Z-Image-Base、Z-Image-Editの3つのバリアントがあり、それぞれ高速推論、基本開発、画像編集に優れています。シングルストリームDiTアーキテクチャを採用し、バイリンガルテキストレンダリングをサポートしており、自然言語による指示に基づいて高品質な画像を生成または編集できます。DMDとDMDR技術を分離することで、Z-Imageは優れたパフォーマンスと生成品質を実現し、様々なクリエイティブアプリケーションに適しています。

Z-Imageの主な機能

• 高効率画像生成Z-Imageは、クリエイティブデザイン、芸術作品の制作、バーチャルコンテンツの生成など、さまざまな場面に適した、高品質でリアルな画像を迅速に生成できます。
• バイリンガルテキストレンダリング中国語と英語のテキストのレンダリングをサポートし、複雑なテキストコンテンツを含む画像を正確に生成できるため、多言語環境での画像生成タスクに適しています。
• クリエイティブな画像編集Z-Image-Editバージョンでは、ユーザーは自然言語コマンドに基づいて画像を正確に編集でき、創造的な変形やスタイルの調整が可能になります。
• 資源の少ない適応Z-Image-Turboバージョンは推論効率を最適化し、リソースの少ないデバイス（民生用GPUなど）でも高速に動作するため、企業向けアプリケーションと民生用アプリケーションの両方に適しています。
• 地域主導型開発開発者による微調整やカスタム開発を容易にするための基本モデル（Z-Image-Base）を提供し、多様なニーズに対応します。

Z-Imageの技術原理

• シングルストリーム拡散コンバータアーキテクチャ（S3-DiT）Z-Imageは、単一ストリーム拡散変換器アーキテクチャを使用して、シーケンスレベルでテキスト、視覚的意味タグ、および画像VAEタグを連結し、統一された入力ストリームを形成します。これにより、2ストリーム方式と比較して、パラメータ効率が大幅に向上し、計算コストが削減されます。
• デカップリングDMD（分散マッチング蒸留）DMD技術を分離することで、CFG強調（CA）と分布マッチング（DM）のメカニズムが分離され最適化され、生成される少数のステップの性能が大幅に向上し、効率的な画像生成が実現します。
• DMDR（DMD + 強化学習）強化学習（RL）と分布マッチング蒸留（DMD）を組み合わせることで、意味的な整合性、美的品質、構造的な一貫性をさらに向上させ、より高品質な画像を生成できます。
• 推論パフォーマンスを最適化するフラッシュアテンションやモデルコンパイルなどの技術をサポートすることで、推論処理をさらに高速化し、レイテンシを削減し、実用アプリケーションにおけるモデルの効率性を向上させます。
• 多言語理解と生成Z-Imageは、マルチモーダルな事前学習と微調整を通して、中国語と英語の両方を含む画像コンテンツを理解・生成することができ、多言語画像生成タスクをサポートします。

Z-Imageのプロジェクトアドレス

• プロジェクト公式サイト：https://tongyi-mai.github.io/Z-Image-blog/
• GitHubリポジトリ：https://github.com/Tongyi-MAI/Z-Image
• ハギングフェイスモデルライブラリ：https://huggingface.co/Tongyi-MAI/Z-Image-Turbo

Z-Imageの応用事例

• アートギャラリーアーティストはZ-Imageを使って、独自の作品を制作したり、さまざまなスタイルやテーマを探求したりすることができます。
• 広告素材の作成ソーシャルメディア、ポスター、バナーなどに使用する高品質な広告画像を素早く生成します。
• 映画やテレビの特殊効果このモデルは、映画やテレビ番組の制作を支援するために、仮想シーン、キャラクター、または特殊効果要素を生成することができる。
• ゲーム開発このモデルはゲーム内のキャラクター、シーン、小道具を迅速に生成できるため、ゲーム開発プロセスを加速させることができます。
• 教材教育効果を高めるため、歴史的な場面や科学現象など、教育内容に関連する画像を生成する。