Iris-3B、ピクセル空間で画像を生成し、奥行き推定や画質向上を担う話

モデル

Iris-3B、ピクセル空間で画像を生成し、奥行き推定や画質向上を担う話

スポンサーリンク

Iris-3Bが公開。VAE を使わずピクセルを直接描画し、12GB の重みで 1024×1024 の画像を生成する。

この記事のポイント

  • テキストから画像を生成するモデル
  • VAEを介さず全ピクセルを直接描画
  • テキスト用は約12GB、深度と拡大用は各約12GB

数字で見る

この記事に出てくる数字

パラメータ数 3B
画像解像度 1024×1024
テキスト用重み 12GB

どこで使えるか

テキストから1024ピクセルの画像を生成したい人向け。深度推定やアップスケールも追加で12GBずつ重みが必要 Hugging Faceで公開済み 深度/アップスケーラー用は別フォルダで各12GB追加必要

動画を見る

スポンサーリンク

解説

かみくだいて説明します

speridlabs が 2026年10月5日に iris-3b を公開しました。30億パラメータのモデルで、画像のすべてのピクセルを直接描画します。VAE や潜在空間を経由しないので、画質の劣化がありません。
潜在空間を使わないんですか。技術者から見ると、この仕組みは現場の作業をどう変えますか。
潜在空間とは画像を一旦圧縮してから処理する場所です。写真館で写真を縮小コピーしてから加工するイメージです。iris-3b はそのステップを飛ばして直接描画します。
圧縮なしで直接描画するんですね。出力サイズはいくつですか。
既定の出力は 1024×1024 です。テキストから画像を生成する重みファイルはおよそ 12ギガバイトです。深さ推定とアップスケーラーのフォルダーがそれぞれおよそ 12ギガバイト追加で必要です。
容量がかなり大きいですね。動かすのに何が必要です。
NVIDIA の GPU と CUDA が必要です。テキストエンコーダーの Qwen3-VL-4B-Instruct は初回実行時に自動でダウンロードします。
既存の DINOv2 と比べて、どこが新しいんですか。
画像生成の基盤を、深さ推定や画像修復、アップスケールにアーキテクチャを変えずに使い回せます。同じ重みを微調整するだけで、細部が重要なタスクに対応します。
微調整だけで複数のタスクをこなすんですか。まだ解けていない点はありますか。
解像度はデフォルトで1024×1024です。追加の処理なしで、それ以上のサイズをそのまま生成するにはどうすればいいんですか。
追加処理なしで済む日は来るんですか。
まずは提供されているコードと重みファイルを使って、手元の NVIDIA GPU で動作確認を進めてください。

出典

この記事のもとになった情報

※ 本文と音声は生成 AI が作成しています。内容は出典をご確認ください。
本作品のキャラクターには株式会社Live2Dの著作物であるサンプルデータが株式会社Live2Dの定める規約に従って用いられています。本作品は制作者の完全な自己の裁量で制作されています。このキャラクターモデルは株式会社Live2Dより許諾を得て商用利用しています。

スポンサーリンク

-モデル