DeepFloyd IF

DeepFloyd IF は、文字の崩れや空間関係の不正確さを解決するために設計された、Stability AI 支援のカスケード型ピクセル拡散モデルです。ポスターやロゴなど、正確な文字表示が求められる開発者に適しています。 ピクセル空間で直接拡散を行い、凍結された T5 テキストエンコーダを使用。64×64 から 1024×1024 の画像を 3 段階で生成します。コミュニティの比較テストでは、Stable Diffusion や Midjourney よりも読みやすい文字を出力できる一方、芸術的な汎用性では劣ります。 モデルはオープンソースで、Hugging Face のデモサイトで無料試用可能。ローカル実行には約 24 GB の GPU メモリが必要で、一般ユーザーには敷居が高いです。API の公式価格はなく、コストは自己ホスト環境に依存します。 2023 年春の公開後、正確な文字出力が注目され、X や技術記事で多くの紹介が行われました。しかし開発は停滞し、SDXL や DALL·E 3 に話題を奪われ、現在はピクセル拡散の参考実装として残る程度です。