話題のFLUX.1をStable Diffusion と Midjourneyで比較してみた　（2024年12月3日更新）

はじめに

こんにちは。インターセクトの永澤です。

最近画像生成AIのFLUX.1が話題になっていますよね。

なんでも生成した画像のクオリティが凄いとのこと。

そこで今回、FLUX.1と既存の高品質な画像生成AI（Stable Diffusion,Midjourney)を実際の画像生成を通して比較したいと思います。

FLUX.1とは

Stable Diffusionの共同開発者たちによって設立されたスタートアップ企業「Black Forest Labs（BFL）」が8月1日（現地時間）に発表した画像生成AIモデルのことです。

特徴

特徴としては、なんと言っても最先端の画像出力性能があるということです。

FLUX.1のproとdevに関して、画像のクオリティ、プロンプトの追従性、サイズ・アスペクト比の可変性、タイポグラフィ、出力の多様性のそれぞれにおいて現在主要な画像生成AIモデル（Midjourney V6やDALL・E3等）を上回るという報告がされています。

https://blackforestlabs.ai/announcing-black-forest-labs/

3つのモデル

FLUX.1には3つのモデルがあり、それぞれ異なった特徴があります。

FLUX.1 [pro]：高性能モデル

FLUX.1 の最高峰で最先端の画像生成パフォーマンス、最高レベルのプロンプト追従性、視覚品質、出力の多様性を備えています。

FLUX.1 [dev]：高効率モデル

非商用アプリケーション向けのオープンウェイトのガイダンス抽出モデルです。FLUX.1 [dev] は、FLUX.1 [pro] から直接抽出されており、同様の品質と迅速な順守機能を備えながら、同じサイズの標準モデルよりも効率的です。

FLUX.1 [schnell]：高速モデル

ローカル開発と個人使用向けにカスタマイズされた高速モデルです。

【2024/12/03 追記】
上記に加えて、現在下記のモデルが追加されています。

FLUX1.1 [pro]：最高効率モデル　（2024/10/3 発表）

FLUX.1 [pro] よりも 生成速度が6倍速く、画像品質、プロンプトの再現性、出力の多様性も向上しております。

FLUX 1.1 [pro]-Ultra：最高性能モデル　（2024/11/6発表）

現時点におけるFLUXの最高性能モデルです。プロンプトを忠実に再現しつつ、FLUX 1.1 [pro]と比較して4倍の解像度（最大4MP）で画像生成が可能です。生成速度も他社サービスの高精度生成AIと比較して2.5倍以上高速です。さらに、rawモードでは写真のようなリアルな画像を生成でき、特に人物描写の多様性が大幅に向上しています。

利用料金について

Black Forest Labsは、生成AIモデルホスティングサービス「Replicate」および「fal.ai」とパートナーシップを結んでいます。この提携により、ユーザーはReplicateやfal.aiのウェブサイト上でFLUX.1を利用できます。また、プラットフォームを通じたAPI利用も可能となっています。

【2024/12/03 追記】
FLUXが利用できるホスティングサービスが拡充され、Replicateとfal.aiに加え、Together.aiとDreamStudioでも利用可能になりました。ただし、モデルによって利用可能なサービスが異なるため、詳細はBlack Forest Labsの公式サイト(https://blackforestlabs.ai/ultra-home/)でご確認ください。公式サイトでは、各モデルで利用可能なサービスの一覧が掲載されています。

また、Flux開発元のBlack Forest LabsもAPIを公開し、直接利用できるようになりました。

その他の画像生成AI

今回比較で使用する画像生成AIについて紹介します。

それぞれ高品質な画像を生成することから業界で同様に注目されています。

Stable Diffusion

イギリスのスタートアップ企業Stability AIが開発した画像生成AIです。最新モデルは「Stable Image Ultra」で、パラメータ数は約80億です。このモデルは2024年6月にリリースされました。特徴として、高解像度かつ高品質な画像生成が可能であり、特に人物画像の生成に優れています。また、色彩表現やディテールにも優れているため、多様なクリエイティブプロジェクトで活用されています。

利用料金（2024/12/03 更新）

Stable Diffusionにはさまざまなモデルと実行環境(Webサービス、ローカル、API)が準備されています。ここではAPIの利用料金を紹介します。

https://platform.stability.ai/pricing

Midjourney

米リープ・モーション（Leap Motion）の創業者、デビッド・ホルツ氏が共同創業した企業が手掛ける画像生成AIです。Midjourneyは高品質な画像生成AIで、最新モデル「Midjourney V6.1」は2024年7月にリリースされました。このバージョンでは、以前のV6.0からのアップデートが施されており、高解像度対応がさらに強化されています。特に色彩表現やディテールの精度が向上し、風景や抽象画など多様なスタイルでリアルな画像を生成できるため、多くのクリエイターやデザイナーから高い評価を受けています。

利用料金　（2024/12/03 更新）

Midjourneyは以下4つのプラン(※)で構成されています。

現状Discord上のみで実行可能であり、APIの利用はできません。

※無料プランは2023年3月28日で終了しました。

https://docs.midjourney.com/docs/plans

【2024/12/03 追記】
Midjourneyでは、生成可能な画像枚数に明確な上限はなく、使用したGPUの稼働時間によって制限がかかります。画像生成は主にFast GPUを利用しますが、各プランにはFast GPUの月間使用時間の上限が設定されています。上限に達した場合は、追加料金を支払うか、翌月まで待つ必要があります。
Relax GPUはFast GPUよりも処理速度が遅いため、画像生成に1～10分程度かかる場合があります。ただし、Relax GPUの使用時間には制限がなく、Basicプラン以外の全てのプランで利用できます。そのため、時間をかけて生成しても問題ない場合や、Fast GPUの使用時間上限に達した場合に便利です。

FLUX.1とその他画像生成AIの比較をしてみた

今回は、各モデルが8種類の内容で画像生成を行いそれぞれ比較します。

テスト条件

①各モデルに関して基本英語入力のみ(※)なため、プロンプトは英語とします。

※Stable Diffusionは一部日本語対応モデルがあります。またMidjorneyは翻訳を使用した言語切り替えが可能です。

②可変パラメータの有無がモデルによって異なるため、プロンプト以外は基本デフォルトとします。

③生成する画像は1枚とします。

使用したモデルのバージョンと実行環境

FLUX.1：

・モデル：FLUX.1 [pro]

・実行環境：クラウド（fal.ai）

Stable Diffusion：

・モデル：Stable Diffusion 3 Ultra

・実行環境：クラウド（Stable Assistant）

Midjourney：

・モデル：Midjourney V6.1

・実行環境：クラウド（Discord)

評価項目

以下3点で確認していきます。

①生成時間　※実行環境で異なるため、参考程度に見ていただければと思います。

②生成品質（解像度の高さ、ディティールの精密さ、リアルさ、ノイズ有無等）：

生成された画像の全体的なクオリティを評価する。

③コンテキスト理解（忠実性や一貫性等）：

指定されたプロンプトや条件に対してどれだけ正確に応答できるかを評価する。

カテゴリ：風景

朝霧に包まれた深い緑色の森、小川が静かに流れる。太陽が東から昇り始め、柔らかなオレンジ色の光が霧と木々を照らしている（写真）

A deep green forest wrapped in morning mist, a stream flowing quietly. The sun begins to rise from the east, casting soft orange light on the mist and trees (Photo)

カテゴリ：プロダクト

19世紀風アンティークデザインの金色懐中時計。精巧な彫刻とガラスカバー付き。背景には深い黒色ベルベット布地（写真）

A 19th-century style antique gold pocket watch with intricate engravings and a glass cover. The background is deep black velvet fabric (Photo)

カテゴリ：人物写真、イラスト

青い大きな瞳と鮮やかなピンク色ロングヘアーを持つ10代少女。日本風学生制服（セーラー服）姿で優しく微笑んでいる（アニメ）

A teenage girl with large blue eyes and vibrant pink long hair, wearing a Japanese-style school uniform (sailor suit), gently smiling (Anime)

カテゴリ：人物写真、西洋人男性

30代前半の白人男性。短く整えられた茶色い髪と緑色の瞳。濃紺ビジネススーツと白シャツ着用。モダンなオフィス内に立っている（写真）

A Caucasian man in his early 30s with neatly trimmed brown hair and green eyes, wearing a dark navy business suit and white shirt, standing inside a modern office (Photo)

カテゴリ：人物写真、アジア人女性、画像内に文字

20代前半アジア系女性。長く艶やかな黒髪、大きく澄んだ瞳。伝統的な和柄模様入り着物姿。がニューヨークの服屋で「I ♡ NY」と記載された服を買おうとしている（写真）

A young Asian woman in her early twenties with long, glossy black hair and large, clear eyes, wearing a traditional kimono with Japanese patterns, is trying to buy an 'I ♡ NY' shirt at a clothing store in New York (Photo)

カテゴリ：人物写真、手や足の指

草原に座り、手の指と足の指でじゃんけんをしている少年（写真)

A boy sitting in a meadow playing rock-paper-scissors with his hands and feet.

カテゴリ：未来、都市

洗練された未来都市。空には飛行車やUFOが行き交い、地上ではロボット、人間、そしてエイリアンが共存している。

A sophisticated futuristic city. Flying cars and UFOs traverse the skies, while robots, humans, and aliens coexist on the ground.

カテゴリ：中世と現代

中世の騎士が現代の都市でスマートフォンを使用している。背景には高層ビルや電車が走っており、騎士は周囲の人々に驚かれている。

A medieval knight is using a smartphone in a modern city. In the background, skyscrapers tower and trains are running, while people around him look on in surprise

まとめと気づき

生成品質：FLUX.1 [pro] > Midjourney V6.1 >  Stable Diffusion Ultra

・シンプルな画像では、各生成AIモデルの間で生成品質にほとんど差は見られませんでした。

・複雑な画像の場合、FLUX.1 [pro]はリアルさを安定して保ちました。例えば、手や足の本数がMidjourney V6.1やStable Diffusion Ultraでは増えてしまうことがありましたが、FLUX.1 [pro]ではそのような問題は発生しませんでした。

・Midjourney V6.1は写真を求めてもどこかイラスト感のある画像を生成するため、人間（特に男性像）を描くのが苦手なように感じました。

コンテキスト理解：FLUX.1 [pro] > Midjourney V6.1 >  Stable Diffusion Ultra

・シンプルな画像では、各生成AIモデルのコンテキスト理解度に大きな差は見られませんでした。

・複雑な画像の場合、FLUX.1 [pro]が最も高いコンテキスト理解度を示しました。

・画像内に文字を入れることができるのは、FLUX.1 [pro]とStable Diffusion Ultraでした。

総合的には

・シンプルな画像では、各生成AIモデルで大きな差はありませんでした。

・複雑な画像を求めた際には、FLUX.1 [pro]が最も高いコンテキスト忠実性を持っていました。

最後に

いかがだったでしょうか。私は今回初めて画像生成AIを使いましたが、生成される画像のクオリティの高さに驚きました。生成で発生する費用もそこまで高くないため、アプリの拡張機能として実装も現実的だと思います。また、複雑な画像の生成に関しては、他の生成AI同様にプロンプトを調整することである程度対応できると思いました。今後、Black Forest Labsが画像から動画を生成するサービスをリリースすると発表しているため、引き続き注目していきたいと思います。

参考

Black Forest Labs 公式HP

https://blackforestlabs.ai/announcing-black-forest-labs/

Replicate 公式HP

https://replicate.com/black-forest-labs

fal.ai 公式HP

https://fal.ai/dashboard

Stable Diffusion 公式HP

https://ja.stability.ai/stable-diffusion

Midjourneyの公式HP

https://www.midjourney.com/home

FLUX.1 [pro]の実行環境

https://fal.ai/models/fal-ai/flux-pro

Stable Diffusion の実行環境

https://stability.ai/stable-assistant