Stable Diffusion

拡散プロセス（順方向）:
きれいな画像 → ノイズを徐々に追加 → 完全なノイズ

逆拡散プロセス（AI が学習）:
完全なノイズ → ノイズを徐々に除去 → きれいな画像

Stable Diffusion は逆拡散を学習

プロセス:
1. テキストプロンプトをエンコード（CLIP）
2. ランダムノイズから開始
3. テキストの情報を使いながら、ノイズを除去
4. 徐々に画像が形成
5. 最終的な画像

テキストがガイドとなり、画像を形成

Stable Diffusion の特徴:
画像を直接生成するのではなく、
「潜在空間（Latent Space）」で処理

メリット:
- 計算効率が良い
- 一般的な GPU でも動作
- 高品質な画像

SD 1.4（2022年8月）:
- 最初の公開版
- 512×512 ピクセル

SD 1.5（2022年10月）:
- 品質向上
- より安定した生成

SD 2.0（2022年11月）:
- 768×768 ピクセル
- 新しいテキストエンコーダー

SD 2.1（2022年12月）:
- 品質改善
- より詳細な画像

SDXL 1.0（2023年7月）:
- 1024×1024 ピクセル
- 大幅な品質向上
- より詳細で写実的
- 手や文字の生成が改善

現在の最高品質版

最も人気のある UI

特徴:
- ローカルで動作
- 豊富な機能
- 拡張機能が多数

インストール:
GPU 搭載 PC が必要（NVIDIA 推奨）

DreamStudio（公式）:
- ブラウザで利用
- クレジット制
- 簡単に始められる

Midjourney:
- Discord 経由
- 高品質
- 有料

Leonardo.ai:
- 無料枠あり
- ゲームアセット向け

from diffusers import StableDiffusionPipeline

# モデルのロード
pipe = StableDiffusionPipeline.from_pretrained(
    "stabilityai/stable-diffusion-2-1"
)
pipe = pipe.to("cuda")

# 画像生成
prompt = "a beautiful sunset over the ocean"
image = pipe(prompt).images[0]
image.save("sunset.png")

[主題], [スタイル], [品質向上語], [詳細]

例:
a cat, digital art, highly detailed, 4k

より詳細に:
a fluffy white cat sitting on a red cushion,
digital art, highly detailed, 4k resolution,
soft lighting, bokeh background

よく使われる語句:
- highly detailed（非常に詳細）
- masterpiece（傑作）
- best quality（最高品質）
- 4k, 8k（高解像度）
- professional（プロフェッショナル）
- photorealistic（写実的）

アートスタイル:
- oil painting（油絵）
- watercolor（水彩画）
- anime style（アニメ風）
- sketch（スケッチ）
- 3D render（3Dレンダリング）

有名アーティスト風:
- in the style of Van Gogh
- Studio Ghibli style

生成したくない要素を指定

例:
Negative prompt: blurry, low quality, distorted,
ugly, bad anatomy, extra fingers

品質の向上に効果的

既存の画像をベースに新しい画像を生成

用途:
- 写真をアート風に変換
- ラフスケッチから完成画像
- 画像のバリエーション作成

画像の一部を書き換え

例:
- 不要な物を消去
- 背景を変更
- 特定部分を修正

生成をより正確に制御

機能:
- ポーズの指定
- 線画の維持
- 深度マップの使用
- エッジ検出

非常に正確な制御が可能

モデルを軽量にカスタマイズ

メリット:
- 小さなファイルサイズ（数MB〜数百MB）
- 特定のスタイルや人物を学習
- 複数の LoRA を組み合わせ可能

人気の LoRA は Civitai で公開

完全にオープンソース

メリット:
- 無料で使用可能
- カスタマイズ自由
- コミュニティが活発
- 商用利用も可能（条件あり）

自分の PC で動作

メリット:
- プライバシー保護
- 生成回数無制限
- ランニングコスト不要
- インターネット不要

様々なカスタマイズが可能

例:
- ファインチューニング
- LoRA の追加
- エンベディング
- スクリプト・拡張機能

巨大なコミュニティ

リソース:
- Civitai（モデル共有）
- Reddit、Discord
- チュートリアル
- 数千のカスタムモデル

ローカル実行には技術知識が必要

要件:
- GPU（VRAM 4GB以上推奨）
- ソフトウェアのインストール
- プロンプトエンジニアリング

初心者には難しい場合も

プロンプト次第で結果が大きく変わる

対策:
- プロンプトを工夫
- パラメータ調整
- 複数回生成して選択

特定の要素が苦手

例:
- 手や指（改善されつつある）
- 複雑なテキスト
- 正確な人数

SDXL で大幅に改善

悪用の懸念

問題:
- ディープフェイク
- 著作権侵害
- 有害コンテンツ生成

適切な使用が重要

Midjourney:
- 高品質
- 使いやすい
- 月額制

Stable Diffusion:
- オープンソース
- カスタマイズ自由
- 無料（ローカル実行）

DALL-E 3:
- プロンプト理解が優れる
- 安全性重視
- API 経由

Stable Diffusion:
- より柔軟
- ローカル実行可能
- コミュニティモデル豊富

具体的に記述

悪い例: a cat
良い例: a fluffy orange cat sitting on a windowsill,
looking outside, soft natural lighting, photorealistic

不要な要素を明示

例:
Negative: blurry, low quality, deformed,
ugly, bad anatomy, watermark

Sampling Steps: 20〜50
CFG Scale: 7〜15
Sampler: Euler a、DPM++ 2M など

試行錯誤で最適化

気に入った結果の Seed を記録

同じ Seed を使えば:
- 類似の画像を生成
- パラメータ調整の比較
- バリエーション作成