Stable Diffusion 1.5 (2022)（ステーブルディフュージョン）
Stability AI / CompVis / RunwayML が2022年10月公開のオープンソースText-to-Image AI。Latent Diffusion・無料公開でAI 画像生成の民主化を実現。
概要
Stable Diffusion はStability AI (Emad Mostaque 創業)・CompVis Group (Ludwig-Maximilians-Universität München・Robin Rombach 等)・RunwayML が共同開発、2022年8月22日に最初の Stable Diffusion 1.0 を公開、10月20日にSD 1.5 を一般公開したText-to-Image AI モデル。Latent Diffusion Model (LDM) ベース・MIT License で完全オープンソース化・コンシューマGPU で実行可能 (RTX 3060 6GB+ 程度) という3点で画像生成AI業界を激変させた。
SD 1.5 主要仕様
| 項目 | SD 1.5 |
|---|---|
| 公開 | 2022-10-20 |
| Parameters | 約9億 (UNet) + 1.2億 (Text Encoder) |
| アーキテクチャ | Latent Diffusion + UNet + VAE |
| Text Encoder | OpenAI CLIP-ViT-L/14 |
| 出力解像度 | 512×512 px (デフォルト) |
| トレーニング データ | LAION-5B (50億画像-テキスト) |
| ライセンス | CreativeML Open RAIL-M |
| 推論VRAM | 4-6 GB |
Latent Diffusion (LDM) の仕組み
直接ピクセル空間で拡散モデル動作すると計算コスト膨大 (DALL-E 1 等の方法)。LDM は:
- VAE で画像 (512×512×3 = 786,432 dims) → Latent空間 (64×64×4 = 16,384 dims・1/48圧縮)
- Latent空間で UNet が拡散モデルを実行 (T = 1000 steps)
- VAE デコーダで Latent → 画像復元
計算量 約1/48 で同等品質を実現する画期的アプローチ。Robin Rombach 等の High-Resolution Image Synthesis with Latent Diffusion Models (CVPR 2022) 論文が出典。
エコシステム
- Automatic1111 WebUI: 最も普及した GUI (Gradio ベース)
- ComfyUI: ノードベースGUI・上級者向け
- InvokeAI: より洗練されたGUI
- Diffusers (HuggingFace): Python ライブラリ
- Civitai: モデル / LoRA / Embedding 共有プラットフォーム
- LoRA: 軽量 ファインチューニング手法
- ControlNet: ポーズ / 線画 / Depth 制御
- DreamBooth: 個人のフォト学習
SD 1.5 の歴史的意義
- 画像生成AI の民主化 (誰でも自宅で実行可)
- オープンソース・改造・追加学習の活発化
- アーティスト・クリエイター層への急速拡散
- Civitai (50万モデル超) の生態系創出
- DeepFake / NSFW 問題の議論加速
- 商業AIサービス (Midjourney / DALL-E) との価格圧力
関連用語との違い
- vs DALL-E 2: クローズド有料 / オープン無料
- vs Midjourney: Discord 商用 / 自宅ローカル無料
- vs SDXL: 解像度1024×1024 / 512×512
FAQ
Q1: 必要なGPU? A: 最低RTX 3060 6GB・推奨RTX 3060 Ti以上。RTX 4060 で512px が3-5秒・1024px が15-30秒。
Q2: ライセンス商用可能? A: CreativeML Open RAIL-M の制限 (悪用禁止 条項) を遵守すれば商用可能。多くのサービス・本がSD生成を商用利用。
Q3: 後継SDXL の優位? A: SDXL (2023) は1024×1024 デフォルト・テキスト埋込改善・実用画質向上。SD 1.5 は軽量 / 互換性 / コミュニティ蓄積で2024年現在も併用される。