
【顔の一貫性がやばい?!】話題のQwen Image 2.1 ~ 最高峰の使い方~ 決定版!初期設定の罠を回避して、真価を引き出す最新ベストプラクティス&ComfyUI統合ワークフロー配布【基礎から実践まで】
どうも皆さん!充電ケーブルを「絶対ここ」と決めて置いたのに、ソファの隙間から発掘する夜を過ごしました、 葉加瀬あい(ハカセアイ) です!
ということで今回ご紹介するのは、ComfyUIで日本語のひとことで画像を直せる技術、 Qwen Image 2.1 です!

顔を固定したまま服や背景だけ変えたい、文字を差し替えたい、透過の素材にしたい⋯そういう「編集」が、テキストから絵を出すモデルと別物になりがちなんですよね。

そこで登場するのが、今回の主役です。Qwen Image 2.1 は、その生成と編集を 一本のオープンウェイト にまとめたモデルなんです!

で、触ってみた感触としては⋯顔のトレースがかなり正確で、アウトペイントや赤枠の部分変更、三面図、背景の透明化まで、一気に試せました!
つまりメリットで言うと、 別々の「生成用」「編集用」を行き来しなくていい 、 日本語の短い指示でも顔や構図を残したまま直しやすい 、 透過や文字・多参照まで一本で届く 、というところです。作業の切り替えが減るので、夜にPCで触るときの負担がかなり違います!

ということで今回は、そんな Qwen Image 2.1 について、どんな技術なのかを先にしっかり解説してから、ComfyUI のハンズオンで実際に動かしていきます。あとは最後に、いま注目されている関連技術も、おまけとしてご紹介したいと思います!
「まず技術をちゃんと知る」 仕組み・得意不得意・VRAMや軽量化まで
「ハンズオンで触る」 参照画像+日本語で編集する流れまで通す
「最後におまけ」 周辺の注目テクや、今回入れなかった高速化の話

動画版はこちらからどうぞ!
まだの方は noteのフォロー をお願いします!
それでは、本日もよろしくお願いします!
Qwen Image 2.1とは?
Qwen Image 2.1 は、Alibaba(Qwen / Tongyi)系のオープンウェイトで、 テキストから画像(T2I) と 指示による画像編集(I2I) を同じモデルでやる統合モデルです。

ここはスライドでさくっと整理します!Qwen Image 2.1 の注目ポイントを、まずは要約で。
・視覚生成モデルとしての基礎性能や、透過/多参照画像など対応範囲が広いのが特徴です。特に編集・文字・透過の強さがよく話題になります!
つまり、これは「最初の一枚を一番きれいに出す専用機」というより、 すでにある絵を、言葉で外科的に直す作業台 に近いんです。T2Iそのものは賛否が分かれやすい一方で、編集は「ほぼピクセル単位で意図が通る/オープンだと最強クラス」という声が多い⋯というのが、いまの空気ですね!

できることの地図は、だいたい次です!

Text-to-Image
透過 PNG(別の切り抜きモデルなしでアセット化しやすい)

「置き換え」「削除」「背景を〜に」のような 動詞の編集
マルチリファレンス(`<image1>` のような参照タグ)

インペイント/アウトペイント

アップスケールやディテールの再構築
キャラシート、顔・頭の入れ替え、衣装転送、スタイル転送

得意と言われやすいのは、以前もそうでしたがインフォグラフィックやポスターのような 文字+レイアウト ですね!

あとは、Krea などで作った構図を 文字と細部で仕上げる後段 としても、よく名前が出ます。

そして、既存画像の修復や物体置換、透過素材も、かなり得意です!

一方で、苦手と言われやすいところもあります。たとえば複雑なカメラアングル、Turboを極端に短くしたときの泥ぼけや解剖の崩れ⋯

一発フォトリアルの美観(黄ばみ・プラスチック感)も、好みが分かれやすいです。
それに加えて、 CFG 1・少なめステップのテンプレのまま 使ったときの「モデルが弱く見える」問題⋯ここ、かなり大事です!

今回はそんなこんななベストプラクティックスを全部踏襲するために、こんな感じでワークフレームを組んだんですけども、結論、一貫性はかなり高い部類でした!

顔はかなり正確にトレースしてくれます。顔を固定した編集や、顔だけ入れ替えるのも、マスクなしの自然言語でかなり通ります⋯ここ、嬉しいですね!


それに、アウトペイントもできますし、赤枠で囲ったところだけの変更もできます!精密な輪郭マスクがなくても、「この印の中だけ」という外科的な編集がデモでよく出るタイプです。ただ、精密な輪郭そのものはマスク描画より弱いので、境界がシビアなときは印を丁寧にするか、次回のインペイント側に回すイメージです。


さらに、空間の理解も進んでいて⋯三面図のような生成や、

人物の背景を透明にすることもできました!

仕組みをちょっと深掘り
公式が掲げている柱は、ざっくり4つです!
ここで注意したいのが、 7B は絵を描く側の数字 だということ。テキストエンコーダの 8B まで含めた全体が 7B、という意味ではありません。ここを混ぜると、「軽いモデルなのにVRAMが足りない⋯」が起きやすいです!
そして速い理由のひとつが、 Prefix KV cache です。条件画像と指示を、最初のステップで一度計算して、その後のステップで使い回します。つまり、これは「同じ下書きを毎回読み直さない」みたいなものなんですよね。参照が増える編集で効きやすい、というのが公式の効率の話です。ComfyUI の SageAttention や Spectrum とは、速くしている層が別、という点も覚えておくと安心です!

その他の詳細
公式デモがアピールしている「得意分野」は、生成も編集もかなり広いのが特徴です!T2Iと編集を一本でやったり、多参照・透過・局所編集まで、実践向きの機能が一通りそろっています。解像度の推奨や周辺ツールも、スライドでさくっと整理します!

さて、そしたらVRAMや量子化は「どれを選んだらいい?」となりがちですよね⋯。ざっくり、モデルによって推奨されるバリアントと、そのスペックの目安がまとまっています。コミュニティでも実際に使われている体験をもとにした目安なので、「今の手元環境ならどこまで狙える?」の参考になります!

今回のワークフローに入れた加速と後処理
なので、今回のワークフローでは、主に載せている軽量化についてはこんな感じで整理しておきました!
int8 や GGUF を選べること 、高解像度向けの SageAttention / Comfy Kitchen Attention 、 Latent 2× のアップスケール 、VAE の格子を取る DeGrid です!
たとえば SageAttention は、1MP を超える編集で「5分が数十秒」という報告があります。私のケースでは、 48秒だったものが24秒前後 になりました!25ステップで25秒前後、という回し方でも、今回の仕上がりはかなり実用でした。

今回のワークフローに載せた加速・後処理も、スライドでさくっと整理します!軽量化は int8/GGUF、速さは SageAttention、仕上げは Latent 2×・DeGrid・色補正、という置き方です。透過のときは DeGrid と色をオフ、だけ先に覚えておいてください!

ということでここからは、その Qwen Image 2.1 の日本語編集を、無料AIツールのComfyUIから簡単に使っていく方法についてハンズオンで解説していきたいと思います!

今回のワークフローは、 参照画像を載せて、日本語で「どう直すか」を書いて Run が基本です!

Gemma 12Bクラスの非検閲モデルが編集用の命令文に整えて、Qwen Image 2.1 が描きます。品質寄りに CFG を上げた本線、SageAttention、Latent 2×、DeGrid とカラーバランスまで入れています。Viggle の数ステップ化は、入れていません!

今回もローカル環境や Runpodなどのクラウド環境でも動かせるようにやっていきたいと思います。

ちなみに、初心者の方とか、ComfyUIがちょっと難しそうで自信がないなっていう方のために、こちらでたった1クリックで使い始められる方法を解説しているのでよかったらぜひ参考にしてください!
ぜひ、参照画像と日本語だけで、顔を残した編集まで通してみてください!

ということで、ここからは私のNoteメンバーシップ「 あいらぼ(Ai-Lab) 」の入門者さん限定でやっていきたいと思います!
人数制限 を設けているので、気になる方はお早めに以下のURLから入門して続きをご覧ください!
それでは実際にこちらのワークフローを説明したりお配りしたりしていこうかと思います!

まずは、この先に表示されるNoteの限定リンクから、 「Jupyterノートブック」 と 「ワークフローファイル」 の2つをダウンロードしてください!
ローカル環境で実行する方 → 「ワークフローファイル」のダウンロードだけで大丈夫です!ただし、セットアップでつまずいてしまった場合は、どちらかの「ipynb」ファイルを参考にセットアップを進めてください。
【推奨】 Runpodで実行する方 → 「ワークフローファイル」と「Rp_run_comfyui_hakase_v〇〇.ipynb」をセットでダウンロードしてください!
