メインコンテンツへスキップ
見出し画像

Qwen-Image-2.1-viggle-turbo 高速化LoRA(v0.21・6step)を検証してみた

    動画生成のMiniMaxと並んで、これまでのオープンモデルと比べて画像編集能力が高く、今かなり人気が出ているQwen-Image-2.1。人気モデルだけあって、生成を高速化するためのLoRAもすでにいくつか登場し始めています。

    今回はその中から Viggle/Qwen-Image-2.1-viggle-turbo のv0.21・6step LoRA(R128)を試してみました。

    比較に使う画像と編集プロンプトは基本的に、以前書いたこちらの記事で使用したものを流用しています。

    ワークフローもオリジナルは同記事のものをそのまま使い、LoRAありの場合はモデルの Qwen-Image-2.1-viggle-turbo/comfyui フォルダに入っている Qwen-Image-2.1-viggle-turbo-edit.json を使用しています。

    そもそも「高速化LoRA」とは何をしているのか

    本題に入る前に少しだけ技術的な背景を。この手の高速化LoRA・高速化モデルは、多くの場合 DMD(Distribution Matching Distillation) という蒸留(distillation)技術で作られています。

    ざっくり言うと、「40stepかけて絵を仕上げる先生モデル」の出力を、「4〜8stepで同じような絵を出せる生徒モデル」に模倣させる技術です。生徒モデルは先生モデルよりずっと少ない計算量しか使わないため、当然ながら表現できる情報量にも限界があります。この「先生と生徒の表現力の差」を埋めきれない部分が、しばしば画像のボケ・にじみ・過度な平滑化(オーバースムージング)として表れることが、複数の研究で指摘されています。特に、ステップ数を極端に減らす(2step以下など)と、多様性の崩壊や画質の破綻が起きやすいことも知られています。

    配布元のViggle自身も、このLoRA・蒸留モデルについて「まだv0.1のプレビュー版で、複数参照画像の合成や顔スワップ、複数の制約を含む指示など複雑な編集では、40stepのベースモデルに明確に劣る」と公式に明言しています。今回の検証結果は、まさにこの一般論・公式見解を裏付けるような内容になりました。

    それでは、実際に6つのパターンで比較していきます。

    1. CDジャケットの文字・ロゴ除去(28s vs 105s)

    定番の「嫌がらせ」ネタ、文字とロゴだらけのCDジャケットから、それらを全部消してもらう検証です。

    画像
    PCは2回クリックで超拡大、スマホは1タッチしてピンチアウトしてね

    生成時間はLoRAありが28s、なしが105sと、およそ3倍の速度差が出ました。文字はLoRAありも上の黄色の英語のサイン以外はほぼ消えてます。これくらいは25stepもseedガチャによっては消し残すことがあります。しかし全体的にボケた仕上がりになっています。これは前述の「先生と生徒の表現力の差」がそのまま出やすい、情報量の多い・難易度の高い除去処理だったからと考えられます。

    2. アニメキャラのパンチラ横向き(27s vs 72s)

    画像
    PCは2回クリックで超拡大、スマホは1タッチしてピンチアウトしてね

    時間は27s・72s。パッと見はLoRAありも悪くなさそうに見えるのですが、よく見るとエッジが怪しい箇所が多く、色ムラや一部の色が薄くなっている部分が目立ちます。

    3. アニメのアイテムとの合成(35s vs 73s)

    画像
    PCは2回クリックで超拡大、スマホは1タッチしてピンチアウトしてね

    合成系になると差がはっきり出ました。特に髪の毛が、絵の具を薄く溶いて塗ったような質感になってしまっています。まさに「オーバースムージング」がわかりやすく出た例と言えそうです。

    4. 実写:雨から晴天への編集(24s vs 78s)

    画像
    PCは2回クリックで超拡大、スマホは1タッチしてピンチアウトしてね

    実写で「雨のシーンを晴天に変える」編集でも、女性の肌や足の質感の情報量が明らかに落ちています。

    5. 日本語吹き出しの追加(31s vs 84s)

    画像
    PCは2回クリックで超拡大、スマホは1タッチしてピンチアウトしてね

    吹き出しに日本語テキストを入れる編集では、LoRAありだとフォントがやや薄くなる傾向が見られました。ただし日本語自体の誤字・崩れは無かったので、用途によっては「これはこれでアリ」という印象です。

    6. ビキニ→制服+富士山記念写真(33s vs 87s)

    前回の記事にはなかったパターンとして、水着姿の女性を単独で制服に着替えさせ、富士山をバックにした記念写真にする編集も試しました。

    画像
    PCは2回クリックで超拡大、スマホは1タッチしてピンチアウトしてね

    33s・87s。それほど難しい編集ではないはずですが、LoRAありはかなりボケた仕上がりになりました。

    LoRA無しでもstepを下げたらどうなる?

    ここで気になったのが「そもそもLoRA無しでもstep数を下げれば同じくらい速くなるのでは?」という点です。試しに6番の画像を、LoRA無しワークフローのままstep数を6まで落として生成(38s)してみると、LoRAありよりも出来が良さそうな結果に。

    画像

    さらにstepを5、4と下げていくと、どうやらstep6あたりが「画像がまともに仕上がるギリギリの限界点」のようでした。

    画像

    おそらくLoRA提供元も同じ理由から、6stepという設定に落ち着いたのだと思われます(ただし、この「6stepが境目」という具体的な数値はあくまで今回の組み合わせ・環境での結果であり、モデルやLoRAのランク・学習データ次第で変わりうる点はご留意ください)。

    もう一つの実験として、3番のアニメ画像をLoRA無しワークフローの6step(22s)で作ってみたところ、「できかけ感」の強い仕上がりに。

    画像

    8step(26s)でも改善せず、そこからstepを増やしていくと16step(49s)あたりでようやく実用に耐えそうな画質になりました。

    画像

    まとめ

    高速ステップ(distillation)のLoRAは、このモデルに関してはまだ発展途上と言えそうです。これは決してこのLoRA固有の問題ではなく、DMDのような蒸留技術全般が抱える「教師と生徒の表現力ギャップによるボケ・崩壊」という一般的な課題が、複雑な編集タスクほど顕著に出た結果だと考えられます。そもそも本日2026/9/26はモデルリリースから1週間も経っていないのであと数週間もあれば高速と精度の両立したLoRAが生まれるかもしれません。

    一方でQwen-Image-2.1は、LoRA無し・低stepでもそれなりに形になる画像を返してくれるモデルでもあります。そのため実運用では、

    • 編集プロンプトの調整はseed固定で低step(6〜8step程度)で高速に回す

    • 最終的な仕上げはseed固定で25〜30stepでじっくり生成する

    という使い分けが、現時点では一番バランスが良いのではないかと考えます。

     
     
    旧「退職しよう」のAI記事だけこちらで書こうかなと。ローカルGPUで動くAIだけをいじっているので、オンラインサービスには疎いです。

    あなたへのおすすめ