画像編集？ Z-Image Edit？

 Z-Imageの説明の図には、Z-Image-Omni-BaseをファインチューニングしてZ-Imageとなっていて、それをさらに調整したものがZ-Image-Turbo。Z-Image-Omni-Baseを編集命令を学習させ、さらにファインチューニングしたものがZ-Image-Editという説明があります。

なので、落ち着いたら、Z-Imageの編集をまずは試そうかな？と考えていました。

Z-Image Turboの説明でもZ-Image Editでこんなことができますよ的な説明画像があってすごく期待していたのですが、どうもZ-Image Editの発表はいまだに無い様子…。

HuggingFaceでも結構検索しても出てこないので、グーグル検索したところRadditにZ-Image Editについての質問が挙げられていました。結果的に今現在もは発表されていないようです。ただ、クラウドサービスとしてはオープンしているような気もしないでもないですが、見ていないので何ともｗ

そんな編集加工についての熱を帯びてきたので、すぐに準備が整いそうなQwen-Image-Editから試してみました。実際にはさらにチューニングされた2511版になりますが。

ただ、Qwen-Imageって結構大きくてかなり量子化されたものでなければ動かせないのと、最近のstable-diffusion.cppではQ2モデルがCPUで動くかどうかという状態になりつつあります。なので、Q2モデルで試してみましたが…編集はされました。画像の加工がQwen-Image独特のタッチにかわったので、それは見れたのですが…肝心の編集加工が言う事を聞いてくれませんでした（泣

しかも、CPU動作だと何と言うか、きちんと出力するまで小さい512x512の画像ですら4時間コースとなるので、まぁ寝る前に試す程度？もう試す気ないですが(笑)

次に白羽の矢が立ったのが、flux-2-kleinです。今まで単純なテキストtoイメージでしか使用していませんでしたが、4Bモデルでも9Bモデルでもどちらも編集機能を備えているようで、それなりの実行を行うだけで、画像編集が可能となっています。

で、早速やってみたところ、イメージ上の文字を上手く文字を書き換えることができました。klein自体は日本語が通じるので、編集も日本語でやってみようと試みたのですが、どうもうまくいきません…おそらく定型文にはめる必要がありそうです。結構独特の書き方を行わないとダメなのかな？

色々試すと、基本的に無効な指示は単純にスルーする感じなのかな？と。元画像を上手く認識して、その上で指示された編集内容で編集をかけた後、画像を出力するという感じですね。

女性から男性へ変更 と指示するとアイコラよろしく、首から上が男性の顔に挿げ変わって全体的な皮膚の色が調整されただけの画像ができたり、まったく思い通りになりませんが、それなりに面白い感じになります。

ミラーハウスのような画像だと、主体の人物だけ入れ替わって、背景のミラー越しの部分はそのままだったりするので、画像認識部分でどこまで掘り下げられるかはこれからのようですね。