メインコンテンツへスキップ
見出し画像

【Qwen Image 2.1】三面図1枚でキャラLoRAの代わりになる?アニメ・実写で検証してみた

    こんにちは、かみもとです!

    Qwen Image 2.1が公開されて、早速色々な方が検証されていますねー。ComfyUIもウェイト公開前から対応されていて、すぐに試すことができる環境が整っています。

    ただ、私も早速ai-toolkitでキャラLoRAを作ったのですが、どうも元絵に似なくて困っています。

    とはいえ、最新画像生成モデルがこんな性能なわけがない!と思って調べると、どうも「画像編集能力が高い=参照画像を入れて色々編集するのが良い」ようです。

    そこで今回私が思い立ったのが、「元画像から正面・横顔・背面の三面図を作成し、それをまるごと参照画像として渡せば、キャラLoRA無しで様々なシチュエーションへ展開できるのではないか?」ということです。

    今回はGPT Imagegenで白背景の三面図を作成し、その1枚をQwen Image 2.1に読み込ませて、教室・カフェ・ビーチの3つの場面を展開してみました。出力解像度はすべて縦長の1152×1792(約206万画素)です。

    さらに、「全身三面図」だけでなく「顔アップの三面図」、そして「実写化した三面図」まで作成し、顔アップ・上半身・全身、そして同じ3場面への展開を試してみました!

    結論から言えば、
    「キャラLoRAより元絵に近い画像が生成できる」
    「アニメ絵より実写の方が強い」
    この2点がわかりました!

    少なくともQwen Image 2.1ではキャラLoRAを作る必要はないかなって思いますー。


    1. まずはGPT Imagegenで三面図を作る

    まずは元となるキャラクターの準備です。今回はこちらのキャラクターをもとに検証をスタートしました。

    画像
    元絵(いつものキャラ)

    このキャラクターの顔と髪型を維持したまま、正面・側面・背面が同じ大きさで並ぶ三面図をGPT Imagegen(Codex)で作成しました。

    衣装は元画像に合わせて白シャツ、黒ネクタイ、水色のベスト、黒系のパンツに設定。足元までしっかり全身を入れ、背景はシンプルな白、余計な文字や小物は入れないように指定しています。

    実際に使ったCodexへのプロンプトは以下の通りです。

    Exactly THREE full-body views of the SAME adult woman age 22, aligned side by side at identical height: front view, true side profile, back view.

    そうして生成された三面図がこちらです。画像サイズは1536×1024。

    画像

    これを使ってQwen Image 2.1で画像生成していきます。


    2. 三面図をQwen Image 2.1の参照にする

    重要なのがプロンプトの書き方です。そのまま何も言わずに渡してしまうと、Qwenが「3人組の絵」だと勘違いして画面に3人並べて出力してしまう恐れがあります。そこで、共通プロンプトの冒頭に次のような明確な指示を入れました。

    It is a turnaround sheet showing FRONT, SIDE and BACK views of ONE AND THE SAME adult woman, age 22, not three different people. Generate exactly ONE woman in ONE continuous scene.

    「これは同一人物の3方向を写したシートであって、3人の別人ではありません。生成するのは1つの連続した場面の中にいる、たった1人の女性です」と強調しています。 その上で、顔・目・前髪・低いお団子・体格といったキャラクターのコアな特徴を維持しつつ、衣装やポーズ、背景を指定したシチュエーションへ変更するよう指示しました。

    ComfyUIでのノード接続手順

    今回の検証では、Qwen Image 2.1の標準ノードを使用しています。全体の接続フローは次の通りです。

    1. LoadImageで作成した三面図を読み込みます。

    2. TextEncodeQwenImage21の画像入力(image)に三面図を接続し、CLIPと専用VAEもそれぞれ接続します。ここでの「resolution」パラメータは「1024」に設定しました。

    3. 同ノードの出力であるpositiveとnegativeをKSamplerへ接続します。

    4. 今回は「横長の三面図」から「縦長の別場面」を生成したいため、EmptyLatentImageを「1152×1792」に設定し、KSamplerの「latent_image」へ接続します。

    5. サンプリング後、VAEDecodeを通してSaveImageで画像を保存します。

    三面図を3分割したり中央だけクロップしたりせず、「画像全体をまるごと1枚の参照として渡して」います。

    「resolution=1024」というのは参照画像を処理する際の基準解像度であり、完成画像のサイズではありません。今回の1536×1024の三面図シートは、縦横比を保ったまま約1248×832に内部調整されて処理されます。

    もし「元の構図のまま一部だけを書き換える編集(インペイント等)」であれば、TextEncodeQwenImage21が返す参照と同サイズのLatentを使えばOKです。しかし今回は構図そのものをガラリと変えたいので、参照は横長のまま渡して、出力用のEmptyLatentImageを縦長で別個に用意しました。この方法なら、横長の3方向の情報を失わずに、縦長の一枚絵へと柔軟に変換できますね!

    今回の検証で使用したComfyUIワークフローの代表1つを置いておきます。

    検証環境と共通設定

    検証に使用したマシン環境と、共通の生成パラメータは以下の通りです。

    • GPU:NVIDIA GeForce RTX 4070(VRAM 12GB)

    • 生成モデル:Qwen Image 2.1 INT8 ConvRot

    • テキストエンコーダー:Qwen3-VL 8B FP8

    • VAE:Qwen Image 2.1専用VAE

    • 出力解像度:1152×1792

    • サンプラー設定:25 steps、Euler、スケジューラ simple、CFG 1.0、denoise 1.0

    • シード値:20260922(各場面1枚ずつ生成)


    3. 生成時間とメモリ使用量の実測結果

    まずは、アニメ調の三面図を参照にして、教室・カフェ・ビーチの3場面を順に1枚ずつ生成した際の実測データを見てみましょう!

    • 教室:62.4秒(VRAM最大観測値:10,844 MiB / 約10.59 GiB、システムRAM最大観測値:13.12 GiB)

    • カフェ:59.0秒(VRAM最大観測値:10,997 MiB / 約10.74 GiB、システムRAM最大観測値:14.10 GiB)

    • ビーチ:59.1秒(VRAM最大観測値:11,040 MiB / 約10.78 GiB、システムRAM最大観測値:14.16 GiB)

    RTX 4070(12GB)環境において、約206万画素の縦長画像が1枚あたり約1分で出力できました。ただ、Krea2やAnimaに比べると遅いかなという印象。

    VRAMの使用量も約10.7 GiB前後に収まっており、12GBカードの限界を超えずに快適に動作してくれたのは嬉しいポイントですね。


    4. 生成画像(アニメ版)

    それでは、実際に生成された3つのシチュエーションを順番に確認していきましょう!

    シーン1:学校の制服で、教室の机に向かって勉強

    まずは学生服への衣装チェンジです。紺色のブレザー風制服にえんじ色のリボンを合わせ、教室の机で勉強している場面を指定しました。 右手でペンを持ち、左手でノートを押さえるという細かな手の動作もプロンプトに盛り込んでいます。

    Her right hand writes with a mechanical pencil while her left hand rests on the notebook to hold the page.

    画像

    制服のデザイン、教室の机、開かれたノート、そして書く手とページを押さえる手元がしっかりと描かれています。

    黒髪の前髪やお団子ヘアもしっかり引き継がれていますね。ただ、顔立ちや瞳のバランスをよく見ると、元の三面図よりも少し大人っぽく、細長ですっきりとした顔立ちになっていて、ちょっと違うかなという印象。

    ただ、キャラLoRAよりは全然似ていますけどね。

    シーン2:Tシャツで、コーヒーを片手にケーキ

    続いてはカジュアルな普段着。白Tシャツにジーンズ姿で、窓際のカフェ席でケーキを楽しむ場面です。 プロンプトでは、「左手でコーヒーカップを持ち、右手でフォークを持ったケーキを口元へ運ぶ」という左右の役割分担を指定しました。

    Her left hand holds a white ceramic coffee cup by its handle close to chest height. Her right hand holds a small dessert fork with one bite of strawberry shortcake lifted near her gently open mouth, clearly about to eat.

    画像

    Tシャツ姿のカジュアルな雰囲気やカフェの様子、ショートケーキは綺麗に描写されました。しかし、手元をよく観察してみるとカップとフォークが両方とも同じ側の手(画面向かって左)に寄ってしまっており、左右の手で持ち分ける指示は達成できていませんでした。Qwenのテキストエンコーダを使っているはずですが、プロンプト追従性はよくない可能性あり。

    顔立ちもやはり元絵には似ていませんねぇ。

    シーン3:ビキニで、綺麗なビーチのポーズ

    3つ目は水着姿への衣装チェンジです。青緑色のビキニを着て、白い砂浜で片手を腰に当て、もう片方の手を髪に添えるポーズを指定しました。

    one hand resting on her hip and the other lightly touching a loose strand beside her hair, weight on one leg with the other knee softly bent.

    画像

    青い海と白い砂浜を背景に、頭から足先まで縦長構図に綺麗に収まりました。ただ、背景はどことなく実写っぽい。顔立ちもやはり元絵から遠い感じがしますね。Qwen Image 2.1はアニメ絵は苦手なのかもしれません。


    5. 追加検証:顔アップの三面図に変えてみる

    「全身の三面図だと、シート全体に対して顔の専有面積が小さいため、顔の再現度が落ちてしまうのではないか?」 ということで、顔アップの三面図(正面・側面・背面)を新しく生成してみました。

    画像

    解像度は1983×793。顔のディテールがより高精細に描かれています。これで再度トライしてみます。

    画像

    教室のシーンでは、あまり変化はないような気がしますね。

    画像

    カフェのシーンではなぜか手のアノマリーがなくなっていますが、たまたまかもしれません。顔はやや元絵に似るようになりましたが、やはりまだ遠い。

    画像

    ビーチのシーンでも、若干近くなったような、でも気のせいなような、そんな感じです。顔アップでもこの程度までしか似せることができないということは、やはりQwen Image 2.1、アニメ絵弱い説あるな・・。


    6. 拡大した絵を作らせる

    今までは割と遠目のシーンだったので、今度は顔アップ三面図を参照にした状態で、顔のアップ構図とVネック姿の上半身構図をそれぞれ3枚ずつ生成し、顔立ちを観察してみました。

    画像
    顔アップ生成結果
    画像
    上半身アップ生成結果

    画像を拡大してみましたが、やっぱり微妙に似ていないですね。顔アップはまだマシですが、上半身の方はバランスが悪いというか、首が長いというか。やはり実写に最適化されている可能性がありますね。


    7. 顔三面図を「実写化」して再トライ

    アニメ調の絵柄だと、モデルごとの手癖や絵柄の差で顔が変わりやすいのかもしれないので、「三面図を実写化」して再度Qwen Image 2.1で画像生成してみました。

    使用した三面図は以下。さっきの三面図をCodexに実写化してもらいました。サイズは1983×793です。ちょっと怖い・・。

    画像

    8. 実写三面図から、顔アップ・上半身・全身を生成する

    Qwenにはこの実写三面図1枚だけを渡し、プロンプトの冒頭には実写写真であることを明示する指示を入れました。

    PHOTOREALISTIC LIVE-ACTION PHOTOGRAPH OF A REAL ADULT WOMAN (実写写真).

    同じ女性の目、鼻、口、輪郭、髪型を維持するよう指定し、顔アップ、上半身、全身の3つの構図を生成しました。出力サイズは1152×1792、25 steps、シード値はすべて「20260923」に統一しています。

    画像
    顔アップ生成結果
    画像
    上半身生成結果
    画像
    おまけ:全身生成結果

    顔を見てみると、心なしかアニメ絵よりも元絵に似ている気がします。しません?しますよね!?やはりQwen Image 2.1、実写系に強いのかもしれませんね。


    9. 実写三面図で、教室・カフェ・ビーチ画像も生成

    さらに、この実写三面図をもとに、アニメ版と同じ「教室・カフェ・ビーチ」の3つの場面への展開も試してみました!

    シーン1:実写で、教室の机に向かって勉強

    紺色のブレザー、白シャツ、えんじ色のリボン、プリーツスカートを指定。机で勉強している途中にふと顔を上げてこちらを見つめる瞬間を描写しました。

    画像

    顔は似ていますね。ちょっと全身のバランスが悪い気もしますが。

    シーン2:実写で、Tシャツを着てカフェでコーヒーとケーキ

    白いTシャツにジーンズというカジュアルな装いでカフェへ。右手でコーヒーカップを口元へ運び、左手でケーキのフォークを持つ指定を入れました。

    Her right hand holds a small ceramic coffee cup close to her lower lip as she is about to take a sip; her left hand holds a dessert fork with a small bite of cake just above the plate.

    画像

    今回はカップが右手、フォークが左手と、指定通りに左右の手でしっかりと持ち分けてくれました! 顔もやはりアニメの時より似ている気がします。

    シーン3:実写で、ビキニを着て砂浜のグラビアポーズ

    最後はビーチでの水着撮影です。青緑色のビキニを着て白い砂浜に座り、片手を砂浜につき、もう片方の手を髪に添えるポーズを指定しました。

    画像

    若干顔の類似度が遠くなり、アイコラ的な合成感が出てしまいましたね。足もおかしくなっていて、微妙・・。


    まとめ

    今回は、三面図を活用して、Qwen Image 2.1で様々な場面への展開を試みるという実験を行いました!

    今回の検証から得られたことをまとめます。

    • 三面図1枚から画像生成は可能

    • RTX 4070(12GB)で約206万画素が1枚約1分

    • アニメ絵より実写の方が元絵に似やすい

    • 身体的アノマリーが出やすい

    画像編集が得意ということで、三面図方式をトライしてみたわけですが、Qwen Image 2.1には荷が重かったかもしれません・・。服装を変えたり、二つの画像を合成したり、そういった編集タスクの方が向いているかもしれません。

    特に気になるのは身体的アノマリーが出やすい点ですね。最新ローカル画像生成AIなのにちょっとこれはイマイチ。この辺は派生モデルを待ってからですね!

    ということで、現時点の私の評価は以下です。

    • 実写系:Krea2

    • アニメ系:Anima, SDXL(illustrious系、Pony系)

    • 画像編集:Qwen Image 2.1??

    今度は純粋な画像編集をトライしてみたいと思いますー。


    最後まで読んでいただき、ありがとうございました!

    もしこの記事が「面白かった!」と感じていただけたら、ぜひ画面下の【スキ(ハートマーク)】を押していただけると、検証の苦労が吹き飛ぶほど励みになります!

    これからもローカルAIの面白い検証や実践的なノウハウをどんどん発信していきますので、フォローもぜひよろしくお願いいたします!


     
     
    かみもと ひろた(神下紘汰)。ソフトウェアエンジニア+R&Dエンジニア。Codex + Claude使い(Geminiはオマケ)。コスパの良いRTX4070のローカル環境で画像生成・音声生成・LLMを実行させたり、アプリ開発したり、最新技術のフォローアップをしたりします。

    あなたへのおすすめ