
【P-H3-Image】288×448画像を2304×3584へアップスケール&横長にアウトペイントしてみた(RTX 4070 12GB)
こんにちは、かみもとです!
MiniMax H3をベースにした画像生成モデル「P-H3-Image」が、Pruna AIから公開されています!私も試してみてますが中々性能が高いですよー。
ComfyUIも公開と同時にネイティブ対応していて、8ステップ・CFGなしで8MP(約3000×3000)の画像を出せるのが売りです。テキストからの画像生成だけでなく、画像の編集にも対応しています。
これだけ高解像度で描けるなら、小さな画像を入れればアップスケーラーとして使えるのでは? 横に広いキャンバスを渡せばアウトペイントもできるのでは? と気になります。
そこで今回は、P-H3-Imageだけを使って、アップスケールとアウトペイントを試してみました!
結果は、
・288×448の画像から2304×3584の画像が約70秒
・1248×1824の画像から4576×1824の横長画像が約100秒
で生成できました!
それでは、詳細を見ていきましょうー。
P-H3-Imageとは?
開発:Pruna AI(動画生成モデルのMiniMax H3がベース)
できること:テキストからの画像生成、画像の編集(参照画像は最大8枚)
生成:8ステップ、CFGなし、推奨解像度は8MP
プロンプトアップサンプラー:短い依頼文を、モデル向けの詳しいプロンプトに書き直してくれる
ライセンス:MiniMax H3 Community License(一部の地域では別途ライセンスが必要。製品に使う場合は「Powered by MiniMax H3」の表示が必要)
公式のモデルページはこちらです。
導入方法
ComfyUIはv0.44.0以上が必要です。P-H3-Image用のノード「p-h3-image Conditioning」が、v0.44.0で追加されたためです。
すでにMiniMax H3を使っている場合は、2GBのLoRAを足すだけで動きます。今回はこの方法にしました。SSDに優しい子。
minimax_h3_fl2va_pruned_int8_convrot.safetensors → models/diffusion_models/(Comfy-Org/MiniMax-H3。MiniMax H3を使っていれば導入済みのはず)
p-h3-image_lora_bf16.safetensors → models/loras/
p-h3-image_text_encoder_int8_convrot.safetensors → models/text_encoders/
p-h3-image_prompt_upsampler_w4a8.safetensors → models/text_encoders/
p-h3-image_vae_int8_convrot.safetensors → models/vae/
FL2VA以外の4つは、PrunaAI/P-H3-Image-Comfy から入手できます。MiniMax H3を使っていない場合は、LoRAの代わりにP-H3-Image単体のモデル(p-h3-image_int8_convrot.safetensors)を使います。
ワークフローは、モデルページの workflows/p-h3-image_lora_edit.json(編集用)をベースにしました。変更したのは次の3点です。
入力画像を4MPと1MPに拡大するノード(Scale Image to Total Pixels)を外し、Load Imageを「Generate Text」と「p-h3-image Conditioning」へ直接つなぐ
入力画像は1枚だけなので、2枚目の参照画像(image_2)とBatch Imagesを外し、「Upsampler input」の <Picture 2> の部分も消す
「p-h3-image Conditioning」の width と height に、出力したい解像度を入れる
公式の編集ワークフローは、入力画像を先に4MPへ拡大してからモデルに渡します。今回はP-H3-Image自身がどこまで描けるかを見たかったので、この拡大を外しました。
使うときの制約
試してみて分かった、P-H3-Imageを使うときの注意点です。
入力画像も出力解像度も32の倍数にする:「p-h3-image Conditioning」は、入力画像の縦横を32の倍数に丸めてリサイズします。32の倍数でない画像を入れると、縦横比が少し変わってしまいます。
推奨の上限は8MP:公式の推奨解像度は1:1で2912×2912、4:3で3360×2496などです。今回もこの範囲に収めました。
入力画像は拡大されない:「p-h3-image Conditioning」は、出力解像度より大きい入力画像は縮小しますが、小さい画像を拡大することはありません。小さい画像はそのままの解像度でモデルに渡ります。
元の画素はそのまま残らない:アップスケールでもアウトペイントでも、画像全体が描き直されます。表情や小物の細部が、元の画像と少し変わることがあります。
VRAM:公式では約21GB(int8)とされていますが、RTX 4070 12GBでもメモリ不足にならずに生成できました。
検証環境
GPU:RTX 4070(VRAM 12GB)
ComfyUI:v0.44.0
モデル:MiniMax H3 FL2VA(int8)+P-H3-Image LoRA
テキストエンコーダー・VAE:P-H3-Image用(int8)
プロンプトアップサンプラー:w4a8
サンプラー:euler、8ステップ、seed固定
生成時間は、ComfyUIが1枚の処理を始めてから終わるまでの時間です。プロンプトアップサンプラーの時間も含みます。
アップスケールのテスト
まずはアップスケールのテストです。288×448の画像を入力して、2304×3584で出力しました。縦横それぞれ8倍です。
入力画像を実際の大きさで並べると、このくらい差があります!

プロンプトは、3枚とも次の依頼文を使いました。
Upscale <Picture 1> into a high-resolution, sharp image. Keep the same character, pose, composition, colors and anime illustration style; only restore fine detail and crisp, clean line art.
(<画像1>を高解像度で鮮明な画像にアップスケールしてください。キャラクター、ポーズ、構図、色、アニメ調のイラストスタイルはそのまま維持し、細部のディテールと、くっきりと明瞭な線画のみを復元・向上させてください。)
この依頼文をプロンプトアップサンプラーが詳しい編集指示に書き直して、P-H3-Imageに渡しています。
ここからは、左の入力画像を右と同じ高さに拡大表示して比べます(補間なしの拡大なので、ドットがそのまま見えています)。
オフィスで頬杖をつく女の子

髪の毛の束やスーツの縫い目、袖のボタンまでくっきり描かれています。ぼやけた入力から、線画のイラストとしてきれいに描き起こしてくれました。目が若干元絵のキャラと違う気もします。P-H3はアップスケーラというより再描画に近いので、完璧100%元絵にならないこともありますね。
窓際に立つ女の子(全身)

全身の立ち絵でも、ポーズや服装、ブラインド越しの背景はそのままです。入力では数ピクセルしかない顔も、目や前髪がしっかり描かれています。目は流石に元絵とは違う感じがしますが、そもそも吸うピクセルしかない目なので仕方がないですね。
ここまで記事を書いていて思ったのが、もしかすると軽いアップスケーラで拡大してからP-H3で等倍再生成した方が綺麗かもしれません。上記の比較図もInputの画像はバイキュービックで拡大しているので。その方が瞳や目が元絵に近くなるかもです。
本棚の前でコーヒーを飲む女の子

本棚の本の並び、マグカップの湯気、Tシャツのうさぎのプリントまで、元の雰囲気を保ったまま高精細になりました。これはいい感じ!
アウトペイントのテスト
次は、1248×1824の縦長画像をそのまま入力して、4576×1824で出力しました。高さはそのままで、8MP以内で横幅を最大まで広げています。
プロンプトは、3枚とも次の依頼文です。
Extend <Picture 1> to the left and right into a wide panoramic image. Keep the original image unchanged in the center at the same scale, with the same character, pose, colors and anime illustration style, and continue the scene naturally on both sides.
(<画像1>を左右に拡張し、ワイドなパノラマ画像にしてください。中央には元の画像をそのままの縮尺で維持し、キャラクター、ポーズ、色味、アニメ調のイラストスタイルもそのまま保ちつつ、両サイドの情景を自然な形で描き足してください。)
オフィスで頬杖をつく女の子

並べた画像の切れ目が分かりづらいですが、元絵に対して左には書類棚と壁、右には窓の外のビル群と、ノートPCが置かれた机が描き足されました。オフィスの一角が、そのまま横に広がった感じです。
驚きなのは、元絵には描かれていない「左側の壁と棚」「右側のノートPC」がとても自然に配置されていることです。おそらくP-H3がここまで大きな画像の学習をしていて、こういう元絵ならこういう配置になるのが自然、と判断しているのだと思います。すごい。
本棚の前でコーヒーを飲む女の子

左には木枠の窓、右には本棚の続きと椅子が描き足されました。元の画像の端で切れていたカップは、丸ごと描き直されています。これもかなり自然なアウトペイントですよね!
まとめ
今回は、P-H3-Imageをアップスケーラーとアウトペイントに使ってみました!
288×448 → 2304×3584のアップスケールが約70秒
1248×1824 → 4576×1824のアウトペイントが約100秒
どちらもRTX 4070 12GBで生成できた
テキストからの画像生成用のモデルですが、編集機能を使うと、アップスケールやアウトペイントもしっかりこなしてくれました。とくにアウトペイントは、縦長のイラストを横長の壁紙やサムネイルにしたいときに便利そうですね!
ただし、画像全体を描き直す方式なので、元の画像に忠実な拡大が欲しい場合は、細部が変わっていないか確認したほうがよさそうです。でもかなり便利だしかなり精度の高いモデルと言えそうです!
最後まで読んでいただき、ありがとうございました!
もしこの記事が「面白かった」と思っていただけたら、ぜひ画面下の【スキ(ハートマーク)】を押していただけると嬉しいです!
これからもローカルAIの面白い検証や実践ノウハウをお届けしていきますので、ぜひフォローもよろしくお願いいたします!