Imagen (画像生成モデル)

Imagenの初期バージョンは、2022年5月に発表された論文で初めて提示された。自然言語から忠実度の高い画像を生成する機能を備えていた^[2]。2番目のバージョンであるImagen 2は、2023年12月にリリースされた^[4]。際立った特徴は、テキストとロゴの生成であった^[5]。Imagen 3は、2024年8月にリリースされた^[6]。Googleは、最新バージョンでは生成された画像のディテールと照明が向上していると主張している^[7]。2025年5月20日のGoogle I/O 2025にて、同社は改良されたモデルであるImagen 4をリリースした^[8]。

Imagenは2つの主要な技術を使用している。1つ目は、テキストを理解し、その後に画像合成のためにテキストをエンコードするための、Transformerベースの大規模言語モデル（特にT5）の使用である。2つ目は、高忠実度の画像生成を提供するカスケード拡散モデルの使用である。Imagenは3つの段階で画像を生成し、ベースとなる64x64から始まり、256x256、そして1024x1024へとアップサンプリングされる^[2]。Imagen 4は最大2Kの画像を生成する^[9]。

Imagenはテキストプロンプトからフォトリアリスティックな画像を生成できる^[3]。シネマティック、35mmフィルム、イラスト、シュールレアリスムなど、様々なスタイルの作成も可能である。ほとんどのテキストから画像生成するAIモデルと同様に、Imagenは人間の指、テキスト、アンビグラム、およびその他の形式のタイポグラフィのレンダリングに困難を伴う。

このモデルは、9:16、3:4、1:1、4:3、16:9の5つのアスペクト比で画像を生成できる。また、Imagenは既存のテキストプロンプトを編集することで、すでに生成された画像を改良することもできる^[7]。