Stable Diffusionとは？オープンソース画像生成AIの仕組みと使い方
AIを知りたい
先生、「Stable Diffusion」って無料で使える画像生成AIなんですよね？どんな画像が作れるんですか？
AIエンジニア
Stable Diffusionは、Stability AIが開発したオープンソースの画像生成AIだよ。テキストで指示するだけで、写真のようなリアルな画像、アニメ風イラスト、油絵風アート、建築デザインなど、ほぼ何でも生成できるんだ。しかもオープンソースだから、自分のパソコンで無料で動かせるのが最大の魅力だね。
AIを知りたい
自分のパソコンで動くんですか！どのくらいのスペックが必要ですか？
AIエンジニア
NVIDIA製のGPU（RTX 3060以上、VRAM 8GB以上）があれば快適に使えるよ。1枚の画像を生成するのに数秒〜十数秒程度。ComfyUIやAutomatic1111といったWebUIを使えば、プログラミングなしでブラウザから操作できるんだ。LoRAやControlNetで細かいカスタマイズもできるよ。
Stable Diffusionとは。
人工知能に関わる言葉である「Stable Diffusion」について説明します。Stability AIが開発したオープンソースの画像生成AIモデルで、テキスト（プロンプト）から高品質な画像を生成できます。拡散モデルをベースとし、ローカル環境での実行が可能。LoRA、ControlNetなどの拡張機能も豊富です。
Stable Diffusionとは
Stable Diffusionは、Stability AIが2022年8月に公開したオープンソースの画像生成AIモデルです。テキストプロンプトから高品質な画像を生成でき、完全に無料で利用・改変・再配布が可能なオープンソースライセンスで公開されています。
最新版のStable Diffusion XL（SDXL）は1024×1024の高解像度画像を生成でき、フォトリアリスティックな写真からアニメイラスト、抽象アートまで幅広いスタイルに対応しています。MidjourneyやDALL-E 3と異なり、ローカル環境で実行できるため、生成枚数に制限がなく、データのプライバシーも保護されます。
Stable Diffusionの仕組み
Stable Diffusionは潜在拡散モデル（Latent Diffusion Model）に基づいています。画像そのものではなく、VAE（変分オートエンコーダ）で圧縮された潜在空間上でノイズの付加と除去を行うことで、計算効率を大幅に向上させています。
生成プロセスは以下の3段階です。まずテキストエンコーダ（CLIP）がプロンプトをベクトルに変換。次にU-Netが潜在空間上でノイズを段階的に除去。最後にVAEデコーダが潜在表現を画像にデコードします。
| コンポーネント | 役割 | 説明 |
|---|---|---|
| CLIP テキストエンコーダ | テキスト理解 | プロンプトをベクトルに変換 |
| U-Net | ノイズ除去 | 潜在空間でノイズを段階的に除去 |
| VAE | 画像の圧縮・復元 | 潜在表現と画像間の変換 |
| スケジューラ | 生成品質制御 | ノイズ除去のステップ数と強度を制御 |
WebUIと実行環境
Stable Diffusionを使うための主要なUIを紹介します。
ComfyUIは、ノードベースのワークフロー型UIです。処理の流れを視覚的に組み立てることができ、複雑なワークフロー（ControlNet+LoRA+アップスケールなど）の構築に適しています。拡張性が高く、上級者に人気です。
Automatic1111（AUTOMATIC1111/stable-diffusion-webui）は、最も広く使われているWebUIです。直感的なインターフェースで、プロンプト入力、パラメータ調整、拡張機能の管理が簡単に行えます。初心者に推奨されます。
Forgeは、Automatic1111をベースにメモリ効率と速度を改善したフォークで、VRAMが少ない環境での利用に適しています。
LoRAとControlNet
LoRAは、特定のスタイルやキャラクターを学習させた小さなアダプタファイルです。ベースモデルに追加で適用することで、特定の画風（アニメ風、水彩画風など）や特定の人物・キャラクターを再現できます。Civitaiなどのコミュニティサイトで数万のLoRAが公開されています。
ControlNetは、生成画像の構図やポーズを制御する技術です。エッジ検出、深度マップ、ポーズ推定などの条件画像を入力として与えることで、構図を維持しながらスタイルだけを変えるといった精密な制御が可能になります。
Stable Diffusion 3とFlux
2024年には次世代モデルとしてStable Diffusion 3（SD3）が発表されました。DiT（Diffusion Transformer）アーキテクチャを採用し、テキストレンダリング能力が大幅に向上しました。また、コミュニティからFlux（Black Forest Labs開発）という高品質モデルも登場し、オープンソース画像生成の選択肢が広がっています。
| モデル | 開発元 | 解像度 | 特徴 |
|---|---|---|---|
| SD 1.5 | Stability AI | 512×512 | 軽量、LoRA/ControlNet豊富 |
| SDXL | Stability AI | 1024×1024 | 高品質、リファイナー付き |
| SD3 | Stability AI | 1024×1024 | DiTアーキテクチャ、テキスト改善 |
| Flux | Black Forest Labs | 可変 | 高品質、高速 |
まとめ
Stable Diffusionは、完全無料でローカル実行可能な画像生成AIの代表格です。オープンソースならではの豊富なコミュニティ、LoRAやControlNetによる柔軟なカスタマイズ、ComfyUIやAutomatic1111といった使いやすいWebUIが大きな魅力です。画像生成AIを本格的に活用したいなら、Stable Diffusionのエコシステムを学ぶことをお勧めします。