
【Qwen Image 2.1】最大9個の小物をどこまで破綻なく合成できるか試してみた
こんにちは、かみもとです!
最近、ローカル画像生成やAI画像編集の世界で大きな注目を集めているオープンウェイトモデル「Qwen Image 2.1」、皆さんはもう触ってみましたでしょうか?
Qwen Image 2.1は、Alibaba(アリババ)のQwenチームが公開した最新鋭の画像生成・編集モデルです。テキストエンコーダーに高性能なビジョン言語モデル「Qwen3-VL 8B」を採用しており、テキストからの画像生成はもちろんのこと、「自然言語の指示による画像編集能力」が優秀なのが大きな特徴です。ネイティブ2K解像度の出力や、最大10枚もの参照画像を入力できる機能を持っています。
そこで今回は、人物の参照画像は同じ1枚に固定したまま、小物の参照画像を3個・5個、9個(人物と合わせて合計10枚の入力)まで段階的に増やして検証してみました!
ポーズや背景も、追加の画像を使わずにプロンプトの指示だけでガラリと変更しています。出力は約2MP(1152×1792)の縦長高解像度画像です。
結果を先にお伝えすると、3個と5個では指定した小物がそれぞれ1個ずつ綺麗に描かれました! そして最大となる9個のケースでも、なんと9種類すべての小物を1つのシーン内に取り込むことに成功しました!若干多めに追加されていましたが・・・。
それでは、実際の生成結果や検証の流れを詳しく見ていきましょう!
人物1人+小物9個を用意
人物の参照画像には、こちらの立ち姿のイラストを使用しました。

組み合わせる小物は、背景や余計な物が混ざらない単体画像で揃えました。

検証のステップは以下の3段階です。
小物3個: バッグ、ティーポット、花鉢、人物と合わせて合計4枚を入力
小物5個: さらにカップと本を追加し、合計6枚を入力
小物9個: さらに傘、カメラ、ランタン、ピクニックバスケットまで追加し、合計10枚を入力
※上記の画像一覧は解説用にまとめたものです。実際の生成時には1枚に結合せず、それぞれの小物を別々の画像としてモデルに接続しています。
ポーズと背景はプロンプトで変更
今回はポーズ用や背景用の追加画像は一切使っていません。「庭のテーブル脇の椅子に座っている場面」をすべて文章(プロンプト)だけで指定しました。共通部分の指示はこちらです。
Completely change the original standing pose and the original background. She is now sitting on a wooden chair beside a round wooden garden table on a quiet stone patio.
元絵の「立ち姿」から「木製の椅子に座る姿」へ、そして元の背景から「静かな石畳の庭」へとガラリと変更する指示ですね。さらに「膝を揃えて座る」「右手はポットの脇の卓上、左手は膝の上」「背後には咲き誇る生垣と低い石壁」といった細かなシチュエーションも指定しました。
もちろん、小物たちにもそれぞれ配置場所を割り当てています。バッグは椅子の横、ポット・花鉢・カップ・本・カメラは卓上、ランタンとバスケットは地面、傘は椅子の横、といった具合です。ステップが進むごとに、元の小物の指示をそのまま残しつつ、新しく追加された小物の配置指示を付け足していきました。
生成設定と測定方法
今回の検証環境と生成パラメーターは以下の通りです。
GPU:RTX 4070 12GB
モデル:Qwen Image 2.1 INT8 ConvRot
出力:1152×1792、約2.06MPのポートレート
サンプラー設定:25 steps、Euler/simple、CFG 1.0、denoise 1.0
seed:3ケース共通(各条件1枚ずつ生成)
参照resolution:512(各参照画像を縦横比を保って約512²画素へ調整)
参照画像の解像度「512」と、最終出力の「約2MP」は別の設定です。小物を9個に増やした重量級のケースでも、出力画像はしっかり1152×1792の高解像度に設定しています。
生成時間はプロンプト送信開始から完了までを測定しました。VRAMとRAMは約1秒間隔でサンプリングしたシステム全体の最大観測値です。モデルを途中でアンロードせず「3個 → 5個 → 9個」の順に連続実行しているため、読み込みやキャッシュ状態の差も含んだ実測値となっています。
生成時間とメモリ使用量
まずは生成時間とメモリ使用量です。小物を増やしていくと、処理時間やメモリ消費はどのように変化するのでしょうか?

小物3個:60.53秒。 VRAM 10.55 GiB、RAM 15.18 GiB。
小物5個:70.58秒。 VRAM 11.11 GiB、RAM 16.23 GiB。
小物9個:90.95秒。 VRAM 10.83 GiB、RAM 18.50 GiB。
実測値を見ると、小物を3個から9個に増やすことで、生成時間は約30.42秒(約1.5倍)増加し、システムRAMの最大観測値も約3.32 GiB増加しました。MiniMax H3同様、参照画像が増えると生成時間が増える傾向。
一方で、VRAMに関しては小物数に応じて単純に増えるわけではなく、10.5〜11.1 GiB前後の範囲で安定して推移していました。12GBのGPU(RTX 4070)でも問題ないですね。
小物3個:バッグ・ポット・花鉢
次に、生成結果の画像を確認していきましょう!まずは基本となる「小物3個(バッグ、ティーポット、花鉢)」の組み合わせから。

元絵の立ち姿から、庭の椅子に落ち着いて座る姿へちゃんと変わっていますね!衣装の主な配色(白いシャツ、青いベスト、赤いリボン、紺のスカート)もしっかり維持されており、影も追加されています。
キャラクターも結構維持されていますね。前回の三面図ではイマイチでしたが、もしかするとプロンプト次第なのかもしれません。
小物5個:カップと本を追加
続いて、「紫の水玉カップ」と「金の星が描かれた青い本」を追加した小物5個のパターンです。

追加した紫の水玉カップと青い本が、しっかりと卓上に配置されました! カップはポットの脇に置かれ、本は表紙を上にして平置きされており、5種類すべての小物がそれぞれ1個ずつ確認できます。カバンは宙に浮いていますが。
一方、キャラクターの顔は若干元絵から遠くなって気もしなくはないです。まぁでも及第点かなと思います。
小物9個:傘、カメラ、ランタン、ピクニックバスケットを追加
小物を一気に9個まで増やした最大構成(合計10枚の画像入力)です!傘、カメラ、ランタン、ピクニックバスケットを追加しました。

卓上だけでなく足元の空間まで使って、たくさんの小物が配置されました! 水色の傘の黄色い縁、深緑のランタン、オレンジと白のチェック柄があるバスケットなど、追加した小物の特徴がしっかり見て取れます。
ただ、カメラは地面と机の上の二箇所に配置されています。一応、プロンプトでは「1個ずつ」と指定しましたが。また、傘もよく見ると微妙に破綻しています。この辺りはアノマリーが出やすいQwen Image 2.1の欠点かもしれません。
まとめ
今回の検証を通じて、以下のようなポイントが分かりました。
複数画像の合成能力:
人物の参照を1枚に固定したまま、小物を最大9個(入力合計10枚)まで増やしても、Qwen Image 2.1は9種類すべての小物を認識して1つのシーンに統合できました。ただし微妙に崩れている部分は残ります。プロンプトだけで背景・ポーズ変更可能:
参照画像の特徴を維持しつつ、立ち姿から座り姿へのポーズ変更や、背景を石畳の庭へと変える指示もテキストだけで自然にこなしてくれました。枚数に応じて生成時間が増加:
処理するトークン数が増えるため、参照画像を増やすほど生成時間が増えます。必要最低限の画像だけ添付するのが良いですね。
Qwen Image 2.1で色々と今まで画像生成してきましたが、やはり得意なのは「画像編集」タスクだということがわかります。とはいえ、Krea2の編集モデルと比べるとどうかなぁ・・・というところ。
t2v, i2i, editが1モデルで対応できるのは便利なのですがねー。
プロンプトとワークフローの配布
今回の検証で使用した3つのプロンプト(小物3個・5個・9個)は、別のマークダウンファイルにまとめました。プロンプトをコピーして試してみたい方は、ぜひ以下のリンクからご覧ください!
また、今回の検証で作成したComfyUIワークフローのうち、最大構成である「人物1枚+小物9個(入力合計10枚)」のワークフロー(JSONファイル)を配布します!お手元の環境で試してみたい方は、ぜひダウンロードして活用してみてください(参照画像のファイル名は、LoadImageノードでお手元の画像を指定し直してください)。
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、便利なワークフローなどをどんどんお届けしていきますので、ぜひフォローもよろしくお願いいたします!