Jeveration、画像を1回の処理で生成
2026年11月19日 木曜日
- •シンガポール国立大学の研究者が、画像生成や視覚タスクを担うJeverationを発表
- •512×512ピクセルの画像を78ミリ秒で生成し、既存の統合モデルより最大122倍高速
- •単一のチェックポイントで、テキスト・画像からの生成と高密度予測に対応
シンガポール国立大学の研究者、Yuhe Liu、Qi Li、Shihua Zhang、Xinchao Wangは、画像生成、画像から画像への変換、高密度予測を1回の処理で行うモデル「Jeveration」を発表しました。arXivで公開され、Hugging Face Papersの「本日の論文」第1位に選ばれた論文によると、Jeverationは512×512ピクセルの画像を78ミリ秒で生成します。既存の統合モデルより最大122倍速く、画像品質と高密度予測の性能も競争力のある水準を保ったと報告しています。
Jeverationは、画像と言語の両方を処理する学習済みの視覚言語モデルを活用し、その視覚・意味知識を画像生成に用います。研究者らによると、モデルが画像の全部分を並列に予測するとき、画像全体の一貫性を保つことが課題です。1つの文章指示から複数の妥当な画像が生まれ得るため、予測結果をまとまりのある画像にする必要があります。そこで各位置の予測に共通のランダムな状態を条件として与え、生成のたびに異なる一貫した画像を作ります。
画像を直接使った教師信号だけでは、モデルがそのランダム状態を無視するおそれがあるため、研究チームはまず、離散的な画像コードの分布を学習させ、1回の処理で生成するよう導きました。同じアーキテクチャとチェックポイントで、テキストからの画像生成、画像からの画像生成、高密度予測に対応します。高密度予測とは、画像内の各位置に値やラベルを割り当てるタスクです。論文は、画像品質と高密度予測で競争力のある結果が得られ、生成時間は78ミリ秒だったと報告しています。
最も速く正確なAIニュースをメールでいかがですか?