MOSS-Image、オープンな画像生成で長文と複雑なレイアウトに挑戦

導入

画像生成モデルは、ポスターや図解、画面モックアップのような見栄えのよい画像を作れるようになりました。しかし、画像が自然に見えることと、指定された文章を正確に配置できることは別の課題です。特に長い文章、英語と中国語の混在、情報量の多いレイアウトでは、文字の欠落や崩れ、要素の位置ずれが起こりやすくなります。OpenMOSSチームのMOSS-Image Technical Reportは、この弱点を正面から扱っています。

主なポイント

• 5Bの単一ストリームDiT：MOSS-Imageは5B規模の単一ストリーム拡散Transformerをゼロから事前学習しています。報告では、設計した学習レシピによって文字描画とレイアウト制御を高めたと説明されており、短いラベルだけでなく英語・中国語の長文を対象にしています。
• プロンプトを計画情報へ変換：意図認識型のエージェント式Prompt Enhancementモジュールを搭載しています。単に形容詞を追加するのではなく、曖昧なユーザー要求を詳細な内容指示と配置仕様へ変換し、生成器が扱いやすい形にします。
• 文字と構成を別々に評価：LongLongTextBench（LLTB）は英語・中国語の長文描画を測定するための評価基盤です。RealLayoutArena（RLA）は、内容が多く複雑な配置を含む画像を、システム全体でどれだけ生成できるかを評価します。
• オープンモデルで高い結果：報告によると、LLTBでの平均テキストカバレッジは96.3%で、オープンウェイトモデルの中で最高水準です。RLAのエンドツーエンド比較では2位でした。また、同じ強化プロンプトを使って生成器だけを比較した場合、MOSS-Imageのバックボーンが1位となっています。

意義と残る論点

この研究の重要性は、プロンプト理解と画像レイアウトを別々の機能としてではなく、連続した生成過程として扱っている点にあります。ポスター、メニュー、教材、説明図などでは、ユーザーが求めているのは単一の被写体だけではありません。文章の階層、要素間の関係、視線の誘導、読みやすさを同時に実現する必要があります。意図を構造化する中間層は、自然言語の要望を視覚的な制約へ橋渡しする役割を担えます。

評価方法にも意味があります。一般的な画像品質や好みのスコアだけでは、指定した文章がすべて入っているか、配置が指示どおりかを十分に判断できません。長文のカバレッジと、実際のレイアウトを含むシステム性能を分けて測ることで、「きれいに見える」だけでなく「情報として使える」画像を評価しやすくなります。

一方、現時点の素材は報告の概要が中心で、詳細な比較表、失敗例、推論コストまでは示していません。96.3%という数値も、あらゆる文字が常に完全であることを意味するわけではなく、RLAの順位も評価条件に依存します。モデル、学習レシピ、評価フレームワークを公開する方針が示されており、今後の再現結果が実用性を検証する鍵になります。

出典：Hugging Face Daily Papers