Stable Diffusionは、2022年8月22日に公開されたテキストから画像を生成するモデルであり、ミュンヘン大学ルートヴィヒ・マクシミリアン校のCompVisグループの研究者らがStability AIおよびRunwayと協力して開発し、潜在拡散モデルに関する先行学術研究に基づいている。クローズドな競合モデルとは対照的に、オープンウェイトモデルとして公開されたことは、主流の生成画像AIの初期の歴史において最も重要なリリースの一つとなった。
技術的アプローチ
Stable Diffusionは、段階的なノイズ付加プロセスを逆転させることを学習する拡散モデル技術に基づいているが、特徴的なのは、このプロセスをピクセル上で直接行うのではなく、圧縮された潜在空間で実行することであり、このアプローチはRobin Rombachらが共著した「High-Resolution Image Synthesis with Latent Diffusion Models」論文で説明されている。潜在空間での動作により、ピクセル空間拡散と比較してモデルのトレーニングおよび実行の計算コストが大幅に削減され、単一の消費者向けGPUで実行可能となり、急速な普及の鍵となった。テキスト条件付けにはCLIP由来のテキストエンコーダが使用され、自然言語プロンプトに一致する画像を生成できるようになった。
リリースとオープン性
当時Emad Mostaqueが率いていたStability AIは、トレーニング用の計算リソースに資金を提供し、モデルのウェイトを寛容なライセンス（CreativeML Open RAIL-M）のもとで公開し、誰でもローカルで実行できるコードとともにリリースした。これは、OpenAIのDALL-Eや、後に登場するMidjourneyが採用したクローズドAPIアプローチとは意図的に対照的であった。トレーニングデータは、非営利団体LAIONが構築したLAION-5Bデータセットから主に抽出されており、これはウェブから収集された大規模な画像とテキストのペアの集合であり、後に著作権で保護されたコンテンツや、ごく一部では違法なコンテンツをめぐる論争の原因となり、LAIONはそれらの特定と削除に取り組んだ。
エコシステム
Stable Diffusionのオープンリリースは、異常に大規模で急速に進化するコミュニティエコシステムを引き起こした。数ヶ月のうちに、開発者はカスタムユーザーインターフェース、拡張機能、トレーニングパイプラインを構築し、オープンライセンスにより、Hugging FaceやCivitaiなどのプラットフォームで配布されるコミュニティトレーニング済みチェックポイントやスタイル特化型ファインチューンが多数登場した。LoRAアダプターやControlNetなどの技術は、ポーズ、エッジ、深度マップへの精密な条件付けを可能にし、コミュニティによって開発され、すぐに主流のワークフローに組み込まれ、モデルの実用的な能力を当初のリリースをはるかに超えて拡張した。公式の後続バージョン（SD 2.0、SDXL、SD3）は画質とプロンプトへの追従性を向上させたが、一部のアップデート、特にSD 2.0のより制限的なトレーニングデータフィルタリングは、特定の機能を低下させたとしてコミュニティから反発を受けた。
評価と影響
Stable Diffusionは、高品質な画像生成へのアクセスを民主化し、AIと著作権をめぐる公的議論を加速させたと広く評価されている。ローカルで実行できるため、APIゲート型の競合モデルよりもはるかに取り締まりが困難だったからである。また、トレーニングデータの同意に関する監視も強化され、アーティストやGetty Imagesを含むストック画像企業からの訴訟につながった。Stability AI自身の商業的な運命は波乱に満ちており、資金圧力の中で2024年にMostaqueがCEOを退任したが、基盤となるモデルとそのオープンな派生モデルは引き続き広く使用され、Fluxなどの後発のオープンモデルに対しても影響力を持ち続けた。