写真の白いシャツだけ紺色に変えてって頼んだのに、窓から入ってくる光まで変わってしまった。今度は人物写真に犬を一匹足してみたら、犬はちゃんとしてるのに、背景と人がバラバラの合成写真みたいに見える。
AI画像編集をやったことがある人なら、こんな場面は珍しくないはず。変えてと言った場所はうまく変えるのに、触らないでと言った場所まで変えてしまう。意外と直しにくい問題なんだよね。
最近公開されたFLUX 3 Image KleinとQwen Image 2.1は、この問題を違う形で見せてくれるモデルだよ。どちらも画像の生成と編集ができて、参照画像も最大10枚まで受け取れる。
✦ 2つのモデルを一目で
FLUX 3 Image KleinとQwen-Image-2.1
でも、同じ画像で試した比較では、おもしろい差が出た。元画像の残りの部分を守るのはQwen、複数の要素を一つの場面みたいにまとめるのはFLUXが上だったんだ。
10枚の画像を一つの場面にまとめてみたら
10月17日に公開されたある比較実験は、同じ人物写真から始まった。まずジャケットを着せて、首にカメラをかけて、足元に柴犬を座らせたんだ。そこにアーケード商店街の背景や自転車、コーヒーみたいな要素を一つずつ足していった。
✦ 実験の手順
参照画像を増やしながら比べた
参照画像が1枚から10枚になるまで増やしながら、同じ画像とプロンプトを二つのモデルに入れた。モデルごとに三つのシードも試したよ。
FLUXは、デフォルト設定のプロンプト補助をオンにした場合と、補助をオフにして元の文をそのまま入れた場合を別々に比べた。
✦ マルチ参照実験の結果
同じ画像とプロンプトで比べた
結果は意外にも、単純な勝ち負けじゃなかった。どちらのモデルも人物の顔を保ったし、参照した小物も落とさなかった。10枚使っても、自転車やコーヒーは消えなかったよ。必要な要素を漏れなく入れる力だけ見れば、二つとも役目を果たしたことになる。
違いが出たのは、背景と人物がなじむ瞬間だった。参照画像が4枚までのときは差が大きくなかったけれど、5枚を超えると、Qwen Image 2.1の結果の一部は、商店街の写真の前に人と犬を乗せたみたいに見えた。
人物は背景の距離感に比べて大きく見えて、犬には周りの照明に合う影が足りなかった。背景写真をそのまま生かして、新しい要素を重ねた感じかな。
FLUX 3 Image Kleinの結果は違った。商店街という場所の特徴は残しながら、カメラの視点を人物の高さに合わせて、光と床の影も合わせ直していた。人物と犬が同じ通りで撮られたように見せたんだ。
この実験で参照画像が5枚以上のとき、「一枚の写真みたいに自然に混ざったか」という項目は、FLUX 3 Image Kleinのほうが高く評価された。
二つとも必要な物を持ってくることには成功したけれど、FLUX 3 Image Kleinはその物たちを同じ世界に置くのが上手だったってことだね。
シャツだけ変える作業では逆の結果
今回は元の写真の一部だけ手を入れた。白いTシャツを紺色にする、メガネだけ消す、参照した柴犬を足元に足す。この三つの作業で、二つのモデルとも頼んだ変化そのものはちゃんとこなした。
紺色のシャツの縫い目の模様は残り、メガネは消えて、犬も指定した場所に入った。
✦ 編集していない領域はどれだけ残ったか
編集領域の外側のPSNR平均。高いほど元画像に近い
本当の違いは、頼んでいない部分にあった。Qwen Image 2.1はシャツの周りの背景や顔、照明などをほとんどそのまま保った。結果を元画像と交互に見ても、変わった場所を探すのが難しいくらいだよ。
FLUX 3 Image Kleinは、編集を終えたあとで、背景の明るさや青みがかった色味、メガネのフレームの太さ、歯の明るさといった、頼んでいない部分も少しずつ変わっていた。
つまり、Qwen Image 2.1は直す場所を変えて残りをロックしておく編集で強みを見せて、FLUX 3 Image Kleinは場面全体の関係を調整し直すのに向いていた。
背景と人物を自然に混ぜるなら、全体の照明と遠近をまとめて手直しするほうが有利だよ。でも、シャツだけ変えたい人にとっては、その手直しはかえって招かれざる客だよね。
FLUXのボックス指定は意外と使える
FLUX 3 Image Kleinには、直す位置を四角で指定する機能もある。「左の靴だけ赤にして」とあいまいに説明するんじゃなくて、その靴を四角いボックスで囲んで説明を入れればいいんだ。
✦ ボックス指定の例
ボックスは、周りのピクセルを保つ機能とは別
GPT Image 2.5を使ったことがある人は分かると思う。生成された画像の特定の部分を選んで「コメント」を残して送る機能。あれと同じだよ。比較実験では、左の靴だけをボックスで指定して片方だけ赤くするように頼んだら、その靴だけ変わった。
ボックスを右に動かすと右の靴が変わって、ボックスなしで「片方だけ」と言ったときは、両方の靴が赤くなった。
この機能は、物を画面の特定の位置に置いたり、どこを直すのかをもっと具体的に伝えたりするときに役に立つ。ただ、ボックスを描いたからといって、ボックスの外のピクセルが元のまま保たれるわけじゃないんだ。
編集する位置を指定する機能と、周りの領域を保つ機能は、別の問題だからね。
それと……正直、自分でFlux 3を使ってみたところ、この四角を描いて画像の一部だけ直す機能は、そんなに完璧には動かなかった。
でも、だからといって、現存最高の画像生成モデルと呼ばれるGPT Image 2.5の編集機能が、それほどすごいわけでもないんだ。
たぶんGPT Image 2.5を使ったことがある人なら、こっちがどんなに直してと頼んでも、GPTが自分の学習した方向にだけ画像を押し進めてくる経験をしたと思う。
これは本当にイライラするし、GPTにいくら怒って改善しろと指示しても、絶対に良くならなかった。GPTが正しいプロンプトを渡しても、GPT Image 2.5がまるで蒸留モデルみたいに、すでに学習した出力ばかり出し続けるんだよね。
たとえば、人物を15度くらい体をひねって横を向かせたいのに、体の向きは変えずに首だけ回し続ける、みたいなことだね。これをいくら直して、直して、指示し続けても……
結局はこっちが諦めることになるんだよね（「ChatGPT！！今回もミスしたら、ハッキングしてお前を殺すぞおおお！」と脅しても解決しなかった）。それでも、この面ではFlux 3のほうがGPT Image 2.5よりよかった。
何度も試していると、運よく当たりのシードが出たときに、思いどおりの場面が出てくる。GPT Image 2.5は……うーん、使ったことがある人なら分かるはず。最初の画像を作る品質は優れているけれど、修正作業では本当に言うことを聞かないんだよね。
頑固な天才画家と一緒に働いている感じかな？いっぽうFlux 3 Image Kleinは、腕はちょっと劣っても、一生懸命絵を描いてくれようとする貧しい画家と働いている感じだった。
もう一つ違いがある。Black Forest Labsが提供するFLUX API（これは有料だって知ってるよね？）には、編集していない領域をピクセル単位で保つ「pixel restoration」機能が入っているんだ。
でも今回のローカルComfyUIの比較ではデフォルトのテンプレートを使っていて、その復元機能は適用されていない。だからこの結果は「FLUXはどんなやり方で使っても背景を変える」という意味じゃないよ。
どの実行経路と機能を使うかも、結果を左右するってことだね。
速度と使用条件も見てみよう
✦ 速度の比較
同じ装置で、参照画像10枚を最初に入れて生成したとき
速度も一言でまとめにくかった。同じ装置で参照画像10枚を最初に入れて生成するとき、プロンプト補助をオフにしたFLUXは約675秒、補助込みのFLUXは約804秒、Qwenは約1,038秒かかった。
でも、参照画像を先に処理しておいて、同じ条件で何枚も生成するときは、Qwenのほうが速くなる設定もあった。画像の枚数や実行方法によって順番が入れ替わる、ってことだよ。
✦ ライセンスの比較
重みの公開は無制限の利用じゃない
自分でダウンロードして使うつもりなら、ライセンスも確認しておこう。Qwen-Image-2.1の公開ライセンスは、研究・評価目的の非商用利用だけを認めていて、商用で使うには別途許可が必要だよ。
FLUXも使用条件のあるFLUX Kommunity Licenseに従うから、「重みの公開」が無制限の利用を意味するわけじゃない。ただ、ライセンス条件はFLUXのほうが少し緩めだね。
年間売上などいくつかの条件を守れば、商用利用もできる（Fluxコミュニティライセンス（https://bfl.ai/blog/flux-3-image-klein）で確認しよう）。
まとめてみようか
元画像の構図と背景をできるだけ崩さずに、シャツの色だけ変えたりメガネだけ消したりするなら、Qwenのほうが有利だよ。
とくに、すでに手間をかけて作った背景があって、人物の顔やカメラの構図を少しも揺らしたくないなら、編集していない領域を守る力は大きな強みだよ。
反対に、別々の写真から人物と小物を持ってきて一つの場面にまとめたいなら、まずFLUXを試してみる価値がある。要素が増えるほど、人物の大きさや背景の遠近、照明と影がなじむかどうかが結果を決めるからね。
参照写真をただ一つのキャンバスに置いただけの感じと、実際にその場所で一緒に撮った感じとの差は、思ったより大きいんだ。
でもこれは実験結果でしかないよ。正直に言うと、自分で使ってみたかぎりでは、Qwen Image 2.1のほうがFLUX 3 Image Kleinよりおおむね優れていた。
Qwenは人物の顔がなんだか中国人っぽく変わる（？）感じがするときもあるけれど、自分の経験では、複数の参照画像を組み合わせるときも、むしろQwen Image 2.1のほうがよかった。
FLUX 3 Image Kleinは、なんというか、結果がバラバラで一貫して使うのが難しいんだ。その点では、Qwenのほうが安定して一貫した画像を作ってくれる感じがした。
まあ、これは自分の個人的な考えだから、よければ二つのモデルとも使ってみるのをおすすめするよ！
今回はここまでにするよ。また会おう。
関連記事
🌐 韓国語版: 원본을 지키는 AI, 이미지들을 자연스럽게 연결하는 AI… FLUX 3 Image Klein과 Qwen Image 2.1의 차이
🌐 英語版: FLUX 3 Image Klein vs Qwen Image 2.1: Preserve or Blend?
💬 コメント
まだコメントがないよ。最初のコメントを書いてみてね。
コメントを投稿