Stable Cascade | テキストから画像へ

1. Stable Cascade ComfyUIワークフロー

このComfyUIワークフローでは、プロンプトの整合性と美的卓越性で注目されている優れたテキスト・ツー・イメージモデルであるStable Cascadeを活用しています。他のStable Diffusionモデルとは異なり、Stable Cascadeは3段階のパイプライン（ステージA、B、C）アーキテクチャを採用しています。この設計により、非常に効率的な潜在空間で階層的な画像圧縮が可能となり、優れた画像品質を実現しています。

2. Stable Cascadeの概要

Stable Cascadeは、革新的なWürstchenアーキテクチャを活用した画期的なテキスト・ツー・イメージモデルとして登場しました。このモデルは、より高品質な画像、高速性、低コスト、そして容易なカスタマイズ性によって際立っています。

2.1. 3段階のプロセス構造

Stable Cascade ステージA: Stable Cascadeのステージ Aでは、Vector-Quantized Generative Adversarial Network (VQGAN) を使用して、画像を4分の1に圧縮します。このステージでは、学習されたコードブックから8,192個のユニークなエントリーの1つに値を量子化する革新的な手法を採用しており、パレットから色を選ぶようなものです。この量子化は、画像を空間的に4:1に圧縮するだけでなく、離散トークンで画像を表現することでデータサイズを大幅に削減します。この手法は、Stable Diffusionが浮動小数点値を使用するのとは対照的に、より コンパクトで効率的な圧縮技術を提供します。

Stable Cascade ステージB: ステージBに移ると、Stable Cascadeは画像データの洗練における能力を発揮します。ここでは、ステージAの離散トークンが潜在拡散モデルによって変換され、IPアダプターの原理と拡散技術を巧みに統合して、類似の出力画像の作成を導きます。ステージBは、トークン化されたデータを豊かで詳細な浮動小数点値に変換し、画像の意味的品質を高めることに優れています。このステージは効率性を重視して設計されており、入力に完全に一致するノイズを除去した潜在表現の作成に注力することで、トレーニングプロセスを合理化し、計算要求を削減します。

Stable Cascade ステージC: ステージCでは、ステージBからの意味的出力にノイズを追加し、一連のConvNeXtブロックを使用して丁寧にノイズを除去するという新しいアプローチを導入しています。その目的は、ダウンサンプリングを行わずに意味的内容を正確に再現することです。このステージは、意味的なブロブを、ステージBがさらに洗練できる一貫した部分に変換する上で重要な役割を果たし、最終的に高品質の画像を生成します。ステージCでのConvNeXtブロックの戦略的な使用は、通常はそのような高度な結果を達成するために必要とされる多大な計算コストを回避しながら、最高のパフォーマンスを効率的に提供するという、そのコミットメントを際立たせています。

2.2. Stable Cascadeが際立つ理由

優れた美的品質: 評価によると、Stable CascadeはStable Diffusion XLを視覚的に魅力的な画像の提供において大幅に上回っています。SDXLの2.5倍の美的品質を達成し、驚くべきことにSDXL Turboを5.5倍上回り、高品質のビジュアルを生成する並外れた能力を示しています。

向上した推論速度: 革新的なアーキテクチャのおかげで、Stable Cascadeは前世代よりも効率的な推論プロセスを提供し、リソースをより効果的に活用します。42という驚異的な圧縮率で、1024x1024の画像をコンパクトな24x24の次元に変換できます。この効率性は画質を損なうことなく、生成プロセスを高速化し、迅速な画像生成においてゲームチェンジャーとなります。

プロンプト理解の向上: Stable Cascadeは、短いプロンプトでも詳細なプロンプトでも、ユーザーのプロンプトを理解して整合させる能力においても優れています。人間による評価では、プロンプトを正確に解釈する点で他のモデルを上回り、生成された画像がユーザーのビジョンと密接に一致することを保証しています。