DALL-E 2 (2022)（ダリツー）
OpenAI 2022年4月発表のテキスト→画像生成AI 第2世代。35億params・unCLIP アーキ・1024×1024 出力、商用ChatGPT 統合の前身モデル。
概要
DALL-E 2 はOpenAI が2022年4月6日に発表したテキスト→画像生成AI 第2世代モデル。35億parameters の「unCLIP」アーキテクチャ (Hierarchical Text-Conditional Image Generation with CLIP Latents・Aditya Ramesh / Prafulla Dhariwal 等) を採用、DALL-E 1 (256×256) の写実度を大幅に改善し1024×1024 px の高解像度生成を実現した。Beta は招待制 (waitlist 200万人) で開始、2022年9月一般公開。
DALL-E 2 主要仕様
| 項目 | DALL-E 1 | DALL-E 2 |
|---|---|---|
| 公開 | 2021-01 | 2022-04 |
| Parameters | 12B | 3.5B |
| アーキテクチャ | dVAE + Transformer | unCLIP + Diffusion |
| 出力解像度 | 256×256 | 1024×1024 |
| 写実度 | 中 | 高 |
| 訓練 | 数億ペア | 6.5億ペア (LAION含む) |
| Edit / Inpainting | なし | あり |
| Variations | なし | あり |
unCLIP アーキテクチャ
DALL-E 2 の革新的構造:
- CLIP テキストエンコーダ: テキスト → 高次元埋込
- Prior (Diffusion): テキスト埋込 → 画像CLIP 埋込
- Decoder (Diffusion): 画像CLIP 埋込 → 64×64 画像
- Upsampler 1: 64×64 → 256×256
- Upsampler 2: 256×256 → 1024×1024
CLIP (Contrastive Language-Image Pretraining・2021) を活用し、テキストと画像の埋込空間を橋渡しする設計。
主要機能
- Text-to-Image: テキスト → 画像生成
- Image Variations: 既存画像 → 派生画像
- Inpainting: 部分塗りつぶし・編集
- Outpainting: 画像外側拡張
商業展開
- Beta 招待制 (2022-04 〜 2022-09)
- 一般公開 (2022-09): クレジット制
- 初期: $15で115画像
- 後期: 月15画像無料 + クレジット購入
- ChatGPT Plus 統合 (2023-10): DALL-E 3 へ移行
DALL-E 3 への移行
- 2023-10: DALL-E 3 発表 (OpenAI公式)
- 2023-12: DALL-E 2 廃止予告
- 2024-Q2: DALL-E 2 API 利用終了
- 2024年現在: DALL-E 3 が標準・DALL-E 2 アクセス不可
関連用語との違い
- vs DALL-E 1: 256×256 / 1024×1024・unCLIP 採用
- vs DALL-E 3: 機能継承 + 大幅品質向上 + ChatGPT統合
- vs Midjourney: 写実重視 (DALL-E) / アート風 (MJ)
FAQ
Q1: 現在も使える? A: 不可。2024年でアクセス終了。DALL-E 3 が後継として ChatGPT Plus / API で利用可能。
Q2: Bing Image Creator は何? A: 2023年初頭にMicrosoft が Bing Search に統合した画像生成機能。当初DALL-E 2 ベース、現在はDALL-E 3 ベース。
Q3: なぜパラメータ減? A: DALL-E 1 (12B Transformer) から DALL-E 2 (3.5B Diffusion) で減少だが、品質は向上。Diffusion 効率がTransformerより高いことの証明。