7月にDALL-E2やMidjourneyが公開されて以降、画像生成AIの話題が尽きない。
ほんの2,3ヶ月の間に、文章から画像を生成するtext to imageの新しい研究やサービス・ツールへの移植が毎日のように次々と公開されている。
https://note.com/yamkaz/m/mad0bd7dabc99
オイラも8月にMidjourneyを無料枠で試してみた↓
話題のmidjourneyに「H・R・ギーガーが描いたウルトラマン」を頼んだ結果#midjourney pic.twitter.com/dV9ANULIdO
— NegativeMind (@NegativeMind) August 5, 2022
Stability.Aiがtext to image手法の1つであるStable Diffusionをオープンソースで公開したことで、text to imageが色んなサービスやツールに組み込まれて一気に手軽に試せるようになった。
https://huggingface.co/CompVis/stable-diffusion-v1-4
https://github.com/CompVis/stable-diffusion
text to imageを利用できる有料サービスに課金しても良いけど、今はかなり円安なのでできれば自分のPCローカルでtext to image動かして好き放題遊びたい。そこそこ良いスペックのPCはあるので。
少し調べてみると、今のところ最も手軽にtext to imageをローカルで試せるのはStable DiffusionをGUIで包んだこちらのアプリケーション↓
Stable Diffusion GRisk GUI
Stable Diffusionのモデルを実行するためのインターフェイスです。つまり、テキストのpromptを入力するとそれに対応した画像が返ってきます。
これは超アルファ版であるため、多くのバグがある可能性があります。Stable Diffusion GRisk GUI.exeを実行するだけで使用できます。
生成する画像の解像度設定は64の倍数(64, 128, 192, 256など)である必要があり、512×512解像度が最も良い生成結果を得られます。
重要事項:
- 一部のGTX 1660カードでは、Use Half-Precisionで実行すると問題が発生すると判明しています。(現時点でGUIではこのオプションにしか対応していません)
- Samples per promptはまだ機能しておらず、promptごとに常に1つの画像が生成されます。同じpromptを複数行繰り返せばSamples per promptと同等の効果を得られます。
- 512X512で良好な結果を得られますが、他の解像度は品質に影響を与える可能性があります。
- Step数を多くするとより品質が向上します。Step数を増やしてもメモリ消費量は増えず、処理時間が長くなります。
- 150 Step以下から始めると良いでしょう。
- .exeの起動時に以下のエラーが表示されてもアプリは引き続き動作します。
torchvision\io\image.py:13: UserWarning: Failed to load image Python extension:torch\_jit_internal.py:751: UserWarning: Unable to retrieve source for @torch.jit._overload function:
. warnings.warn(f"Unable to retrieve source for @torch.jit._overload function: {func}.")
torch\_jit_internal.py:751: UserWarning: Unable to retrieve source for @torch.jit._overload function:
. warnings.warn(f"Unable to retrieve source for @torch.jit._overload function: {func}.")
オイラの環境だと640×640解像度まではエラー無く動作したけど、推奨解像度の512×512の方が生成品質は良くなるらしいです。
https://note.com/abubu_nounanka/n/n496a98677201
追記:もっとリッチなGUIアプリがあった↓
NMKD Stable Diffusion GUI
https://github.com/n00mkrad/text2image-gui
https://pajoca.com/stable-diffusion-gui-nmkd/
https://pajoca.com/stable-diffusion-gui-img2img/
promptとパラメータを色々工夫して好みの画像生成を模索してみた結果↓
ハイスペックなPCを持っていれば、パソコンを起点とした遊びは充実するね。
もはやGANの時代ではないらしい。Stable Diffusionの仕組みについてちゃんと勉強したいなぁ。
https://ja.stateofaiguides.com/20221012-stable-diffusion/
追記:Stable Diffusionをスマホローカルで動作させた例もチラホラ
The #stableDifusion running on-device on iOS beta is out! Running iOS 16 only right now. These took me about 4:30-5 min on my iPhone 14 Pro https://t.co/41OQSJQHC4
Also, signup here if you haven’t already to learn about the actual launch https://t.co/7tpiedKeJz pic.twitter.com/Q0G82BC4qb
— Matt Waller (@wattmaller1) October 15, 2022
I got Stable Diffusion running on my phone this weekend. It's slow, but usable! Code is here: https://t.co/mwq0YQiNcU pic.twitter.com/Ft29LWOk5p
— Ollin Boer Bohan (@madebyollin) October 9, 2022
関連記事
研究者のための英文校正業者比較サイト
SIGGRAPH ASIAのマスコット
PyTorch3D:3Dコンピュータービジョンライブラリ
pythonの機械学習ライブラリ『scikit-learn』
AnacondaとTensorFlowをインストールしてVi...
この本読むよ
ストレングス・ファインダー
Unityで強化学習できる『Unity ML-Agents』
書籍『OpenCV 3 プログラミングブック』を購入
UnityのTransformクラスについて調べてみた
Geogram:C++の3D幾何アルゴリズムライブラリ
東京オリンピックと案内表示
シフトカーの改造
openMVGをWindows10 Visual Studi...
CGWORLD CHANNEL 第21回ニコ生配信は『シン・...
mentalrayのSubsurface Scatterin...
『スター・ウォーズ フォースの覚醒』のVFXブレイクダウン ...
HTML5・WebGLベースのグラフィックスエンジン『Goo...
ManuelBastioniLAB:人体モデリングできるBl...
ニューラルネットワークと深層学習
偏愛マップ
重いコンテンツとゆるいコンテンツ
OpenMesh:オープンソースの3Dメッシュデータライブラ...
ZBrushで基本となるブラシ
トランスフォーマー :リベンジのメイキング (デジタルドメイ...
ZBrushでアヴァン・ガメラを作ってみる 口内の微調整・身...
手を動かしながら学ぶデータマイニング
パルクール(Parkour)
ゴジラ(2014)のメイキング
MLDemos:機械学習について理解するための可視化ツール
疑似3D写真が撮れるiPhoneアプリ『Seene』がアップ...
『ローグ・ワン/スター・ウォーズ・ストーリー』"あのキャラク...
Unreal Engine 5の情報が公開された!
ZBrush キャラクター&クリーチャー
Math Inspector:科学計算向けビジュアルプログラ...
構造色研究会 -Society of Structural ...
ラクガキの立体化 進捗
SSII2014 チュートリアル講演会の資料
Blendify:コンピュータービジョン向けBlenderラ...
OpenCV バージョン4がリリースされた!
機械学習のオープンソースソフトウェアフォーラム『mloss(...
SUMMER TERRACE 2017 LIVE TERRA...
コメント