テキスト→画像生成¶
画像・2Dアート
オープンソース¶
-
2025
FLUX.1-schnellから派生した89億パラメータのテキスト→画像モデル。Apache-2.0で完全公開され、幅広い芸術・写真データで学習。制約のないファインチューニング用ベースとして提供される。
apache-2.0diffusionfluxopen-weights -
2025
Baiduによる80億パラメータの単一ストリーム拡散トランスフォーマー型テキスト→画像モデル。オープンウェイトで公開されている。
diffusion-transformeropen-weights -
F-Lite AIが発見
2025
FreepikとFal.aiが共同開発した、100億パラメータのオープンソースText-to-Imageモデル。ライセンス取得済みの著作権セーフかつSFW（職場向け）コンテンツのみで学習されており、倫理的なデータソースから高品質な画像を生成します。
copyright-safediffusiontext-to-image -
2025
320億パラメータのフローマッチングモデル。テキスト→画像生成、指示編集、複数参照の条件付けを単一のオープンウェイトに統合し、ファインチューニングなしでキャラクターやスタイルの参照に対応する。
diffusionfluxmulti-referenceopen-weights -
2025
Zhipu AIによる160億パラメータの自己回帰＋拡散ハイブリッド型テキスト→画像モデル。オープンウェイトで公開されている。
autoregressivediffusionhybridopen-weights -
2025
170億パラメータの疎な拡散トランスフォーマー型テキスト→画像モデル。オープンウェイトで公開され、最先端のプロンプト忠実度と画質を目指す。
diffusion-transformermixture-of-expertsopen-weights -
2025
Tencent Hunyuanによる800億パラメータのMoE型テキスト→画像モデル。最大級のオープンウェイト画像生成モデルの一つで、高忠実度のネイティブ解像度合成を狙う。
mixture-of-expertsopen-weights -
Janus-Pro AIが発見
2025
Janus-Proは、DeepSeekによる高度な統一型マルチモーダル理解・生成モデルです。最適化された学習戦略、拡張された学習データ、およびモデル規模のスケールアップを特徴とし、最先端のテキストから画像への指示追従性と生成の安定性を実現しています。
diffusionmultimodaltext-to-imageGitHub · arXiv · Hugging Face
-
2025
Gemma-2-2Bをテキストエンコーダに用いる、26億パラメータのコンパクトな拡散トランスフォーマー型テキスト→画像モデル。品質と効率を両立し、手軽な高解像度生成を実現する。
diffusion-transformerefficientopen-weights -
Lumina-Image 2.0: A Unified and Efficient Image Generative Framework AIが発見
2025
Lumina-Image 2.0は、高品質なテキスト画像生成のために設計された、26億パラメータのフローベース拡散トランスフォーマー（Flow-based Diffusion Transformer）です。テキストと画像のトークンを共同シーケンスとして処理する統一Next-DiTアーキテクチャを統合し、自然なクロスモーダル相互作用とシームレスなタスク拡張を可能にします。
diffusionflow-matchingtransformerGitHub · arXiv · Hugging Face
-
OmniGen2: Exploration to Advanced Multimodal Generation AIが発見
2025
OmniGen2は、テキストからの画像生成、指示に基づく画像編集、および被写体指定のインコンテキスト生成をサポートする、北京智源人工知能研究院（BAAI）による統一マルチモーダル生成モデルです。テキストと画像のデコード経路を分離することで、言語能力を維持しながら、一貫性のある高品質な画像出力を実現しています。
diffusionmultimodalunifiedGitHub · arXiv · Hugging Face
-
2025
Alibabaによるオープンウェイトのテキスト→画像モデル群。中国語を含む画像内テキスト描画が特に優れ、生成と編集の両方に対応する。
diffusionopen-weightstext-rendering -
2025
テキストから画像への生成を最大4K解像度まで効率的にスケールアップする、効率重視の線形Diffusion Transformerフレームワーク。深度成長トレーニング、8ビット最適化、モデル深度プルーニングを導入し、コンシューマー向けGPUでの高速かつ高解像度な合成を可能にします。
diffusionsanatext-to-imagetransformer -
SANA-Sprint: One-Step Diffusion with Continuous-Time Consistency Distillation AIが発見
2025
SANA-Sprintは、連続時間整合性蒸留（Continuous-Time Consistency Distillation）を用いることで、わずか1〜4ステップで高品質な画像を生成する超高速テキスト画像生成モデルです。Sanaをベースに構築され、レイテンシを劇的に削減し、1024×1024解像度でのリアルタイム画像生成を可能にします。
diffusiondistillationreal-time -
Show-o Turbo AIが発見
2025
整合性蒸留（Consistency Distillation）と軌道セグメンテーションを活用し、テキストからの画像生成およびマルチモーダル理解を大幅に高速化する、加速化された統一マルチモーダルモデル。
diffusionmultimodaltext-to-imagetransformer -
Show-o2: Improved Native Unified Multimodal Models AIが発見
2025
Show-o2は、3Dコザール変分オートエンコーダー空間上で自己回帰モデリングとフローマッチングを統合した、改良版のネイティブ統一マルチモーダルモデルです。堅牢なマルチモーダル理解とともに、スケーラブルで高品質なテキスト画像生成およびビデオ生成を可能にします。
autoregressiveflow-matchingmultimodaltext-to-image -
2025
AlibabaのTongyi-MAIによる60億パラメータのテキスト→画像モデル群。単一GPUでの効率的な高品質生成を志向し、優れた日英・中英のテキスト描画を備える。
diffusionefficientopen-weightstext-rendering -
Chameleon: Mixed-Modal Early-Fusion Foundation Models AIが発見
2024
任意のシーケンスで画像とテキストを理解および生成できる、初期融合トークンベースの混合モーダルモデルファミリー。テキストと画像のモダリティを単一のTransformerアーキテクチャに統合し、シームレスなテキストから画像への生成とマルチモーダルな推論を可能にします。
chameleonmultimodaltext-to-imagetransformer -
Emu3 AIが発見
2024
Emu3は、ネクストトークン予測のみで学習された最先端のネイティブマルチモーダルモデル群です。画像、テキスト、動画を離散空間にトークン化し、強力なテキストからの画像生成およびマルチモーダル理解能力を示します。
autoregressivemultimodaltext-to-image -
2024
Black Forest Labsによる120億パラメータの整流フロー型テキスト→画像モデル群。ガイダンス蒸留版[dev]と1〜4ステップの[schnell]は、コンセプトアートやLoRAファインチューニングの主要なオープンウェイト基盤。
diffusionfluxopen-weightsrectified-flow -
Hunyuan-DiT AIが発見
2024
きめ細かな日英バイリンガル理解と複数ターンの対話機能を備えた、強力なマルチ解像度拡散トランスフォーマー。
bilingualdiffusiondittext-to-imageGitHub · arXiv · Hugging Face
-
Janus AIが発見
2024
視覚エンコーディングを個別の経路に分離することで、マルチモーダルな理解と生成を統合する自己回帰フレームワーク。高品質なテキストから画像への生成を実現します。
autoregressivedeepseekmultimodaltext-to-image -
Kandinsky 3 AIが発見
2024
高品質でフォトリアルな画像生成を実現する潜在拡散モデル（Latent Diffusion）に基づくテキスト画像生成モデル。画像編集、インペインティング、動画生成などの下流タスクへの容易な適応を特徴としています。
diffusionlatent-diffusiontext-to-image -
Kolors AIが発見
2024
Kolorsは、快手（Kuaishou）によって開発された潜在拡散モデルに基づく大規模なテキストから画像への生成モデルです。中国語と英語のプロンプトにおいて、視覚的品質、複雑な意味の正確性、およびテキスト描画に優れています。
bilingualdiffusiontext-to-imageGitHub · Hugging Face · 公式サイト
-
LlamaGen: Autoregressive Model Beats Diffusion: Llama for Scalable Image Generation AIが発見
2024
大規模言語モデルの次トークン予測パラダイムを画像生成領域に直接適用し、従来の拡散モデルに匹敵する高品質な画像生成を実現する自己回帰型モデル。
autoregressivellamatext-to-image -
Lumina-Next: Making Lumina-T2X Stronger and Faster with Next-DiT AIが発見
2024
Next-DiTを利用してテキストから画像への生成速度と品質を向上させた、Lumina-T2Xフレームワークのアップグレード版。トレーニングの不安定性や外挿アーティファクトに対処しつつ、Gemma-2Bをテキストエンコーダーとして採用した高解像度生成をサポートします。
diffusionluminatext-to-imagetransformer -
OmniGen AIが発見
2024
ControlNetやIP-Adapterなどの追加モジュールを必要とせず、テキストからの画像生成、画像編集、被写体駆動型生成などをネイティブにサポートする、簡素化されたディフュージョントランスフォーマーアーキテクチャに基づく統一画像生成モデル。
diffusionmultimodaltext-to-imagetransformer -
PixArt-Sigma AIが発見
2024
弱から強への学習（weak-to-strong training）手法を用いて、4K解像度の高品質な画像を直接生成可能な高度な拡散トランスフォーマー（DiT）モデル。
4kdiffusiondittext-to-imageGitHub · arXiv · Hugging Face
-
2024
SDXLアーキテクチャ上で美的品質に特化したテキスト→画像モデル。色・コントラスト・人物の細部に最適化され、洗練されたコンセプトアート表現で人気。
aestheticopen-weightssdxl -
2024
線形拡散トランスフォーマーと深層圧縮オートエンコーダを用いる、NVIDIAの効率的な高解像度（最大4K）テキスト→画像モデル。ノートPCのGPUでも動くほど高速。
efficientlinear-diffusion-transformernvidiaopen-weights -
Show-o: One Single Transformer to Unify Multimodal Understanding and Generation AIが発見
2024
自己回帰モデリングと離散拡散モデリングを統合し、マルチモーダルな理解と高品質なテキストからの画像生成を単一のトランスフォーマーで実現する統一モデル。
diffusionmultimodaltext-to-imagetransformer -
Stable Diffusion 3.5 AIが発見
2024
画質、タイポグラフィ、複雑なプロンプトの理解、およびリソース効率が向上した、オープンウェイトのテキストから画像への拡散モデルの高度なファミリー。
diffusionstability-aitext-to-imagetransformer -
2024
3つのテキストエンコーダと整流フロー学習を用いる80億パラメータのMMDiT型テキスト→画像モデル。高解像度かつプロンプト忠実な生成を担うStability AIのオープンウェイト旗艦。
mmditopen-weightsrectified-flowGitHub · arXiv · Hugging Face
-
2023
ピクセル空間でカスケード（64→256→1024px）する拡散モデル。プロンプト忠実度と画像内テキストの再現性が高く、看板やUIモックアップなど読める文字が必要な場面で有用。
cascadeddiffusionpixel-spacetext-rendering -
2023
AI Foreverによるオープンなテキスト→画像の潜在拡散モデル。大規模言語モデルのテキストエンコーダを備え、生成とインペインティングの両方に対応する。
diffusionopen-weights -
Latent Consistency Models (LCM / LCM-LoRA)
2023
拡散モデルを2〜4ステップ生成へ蒸留する手法。LCM-LoRA版は既存のSD/SDXLチェックポイントを高速化し、アート発想のほぼリアルタイムな反復を可能にする。
distillationlorareal-time -
2023
SD1.5の約10%の学習コストで訓練されたDiTベースのテキスト→画像モデル。拡張版PixArt-Sigmaは4Kに対応し、高解像度コンセプトアート向けの効率的なオープンバックボーン。
diffusion-transformerefficienthigh-resolution -
2023
敵対的拡散蒸留（ADD）でSDXLを蒸留し、単一ステップでリアルタイムにテキスト→画像生成を行うモデル。ライブプレビューや高速な反復に有用。
distillationreal-timesdxl -
2023
より大きなUNetとリファイナー段を備えた潜在拡散によるテキスト→画像モデル。ゲーム・アニメのコンセプトアート向けLoRAエコシステムの基盤となるオープンウェイトのバックボーン。
diffusionopen-weights -
2022
コンシューマー向けGPUで動作する8.6億パラメータの潜在拡散モデル。アニメ・ゲーム向けLoRAや埋め込み、ControlNetの最大のエコシステムの土台。
diffusionopen-weights
商用・業界ツール¶
-
Recraft AIが発見
2023
テキストプロンプトから高品質なラスタ画像や完全に編集可能なベクターアート（SVG）を生成する、デザイナーやクリエイティブスタジオ向けのプロフェッショナルなAIグラフィックデザインプラットフォームです。
graphic-designproprietaryvector -
Adobeの商用の生成画像API。テキスト→画像に加え、PhotoshopやLightroomの編集操作をプログラムから実行でき、商用利用に配慮した学習を謳う。
adobeapicommercialediting -
AWS Bedrock経由で提供されるテキスト→画像モデル。画像条件付け、カラーパレット指定、編集機能を備え、すでにAWSを使うチームに便利。
apiawscommercial -
Black Forest Labsによる、商用のFLUX 1.1 ProおよびFLUX.2（32B）モデルのホスティングAPI。オープンなFLUX.1/2ウェイトの上位にあたるマネージド層。
apicommercialflux -
GoogleのGeminiモデルによるネイティブな画像生成と対話的編集。Gemini API経由でテキスト→画像生成と画像編集を利用できる。
apicommercialeditinggoogle -
Vertex AI上のGoogle Imagen 4ファミリー。テキスト→画像に加え編集・インペインティング・アウトペインティングに対応し、企業向け制御とSynthID電子透かしを備える。
apicommercialgoogleinpainting -
画像内テキストやタイポグラフィの安定した描画で知られる商用のテキスト→画像サービス。ポスター、ロゴ、タイトルカードに有用。
apicommercialtext-rendering -
テキスト→画像、画像→画像、画像→動画に対応する商用の生成プラットフォーム。ゲームアセット向けモデルとWebhookを備え、インディーのゲームアート制作で人気。
apicommercialgame-art -
高い美的品質で知られる商用のテキスト→画像サービス。ゲーム・アニメ制作で素早いコンセプトアートの発想に広く利用される。
commercialconcept-art -
MiniMaxによるテキスト→画像および画像→画像のREST API。バッチ生成に対応する。
apicommercial -
OpenAIのネイティブ・マルチモーダル画像モデル（gpt-image-1 / 1.5 / mini）。テキスト→画像と指示編集に対応し、プロンプト忠実度と画像内テキストが強力。
apicommercialeditingopenai -
登録不要のテキスト→画像APIを提供する無料・オープンな生成AIプラットフォーム。プロトタイピングや趣味の制作に便利。
apifree -
V4モデルでラスターと真のベクター（SVG）の両方を出力する商用ジェネレーター。アイコン、ロゴ、2DのUI・アートアセットに適する。
apicommercialvector -
Stable Diffusion 3.5やStable Image系モデルを提供するStability AIのホスティングREST API。オープンなStable Diffusionウェイトと並ぶマネージドサービス。
apicommercial -
xAIのgrok-imagine-imageテキスト→画像モデル。OpenAI互換インターフェースのREST APIで提供される。
apicommercialopenai-compatible
