Qwen-Image-2.0 기술 보고서: 고충실도 생성 및 편집 모델

섹션별 상세

기존 모델은 텍스트 렌더링, 다국어 처리, 복잡한 구성에서 한계를 보였다. Qwen-Image-2.0은 Qwen3-VL을 조건 인코더로 활용하고 멀티모달 Diffusion Transformer를 결합하여 이러한 문제를 해결했다.

최대 1K 토큰의 프롬프트를 지원하여 슬라이드, 포스터, 인포그래픽 등 텍스트가 풍부한 콘텐츠 생성에 최적화됐다. 다국어 텍스트 렌더링과 타이포그래피 정확도가 크게 향상됐다.

대규모 데이터 큐레이션과 다단계 학습 파이프라인을 통해 포토리얼리즘을 강화했다. 더 풍부한 디테일, 사실적인 질감, 일관된 조명 표현이 가능하다.

인간 평가 결과, 생성 및 편집 작업 모두에서 이전 Qwen-Image 모델을 능가하는 성능을 보였다. 이는 범용적이고 신뢰할 수 있는 이미지 생성 모델로의 진전을 의미한다.

확산 트랜스포머(Diffusion Transformer): — 기존 U-Net 기반 확산 모델의 구조를 Transformer 아키텍처로 대체한 생성 모델 구조. 긴 문맥 처리와 복잡한 조건부 생성에 유리하며, 멀티모달 데이터 학습에서 높은 효율성을 보인다.
조건 인코더(Condition Encoder): — 입력된 텍스트나 이미지 등의 조건을 모델이 이해할 수 있는 잠재 벡터 공간으로 변환하는 모듈. 생성 모델에서 프롬프트의 의도를 정확하게 반영하기 위한 핵심 구성 요소.
다국어 타이포그래피(Multilingual Typography): — 이미지 내에 다양한 언어의 텍스트를 정확한 폰트와 레이아웃으로 렌더링하는 기술. 텍스트의 의미뿐만 아니라 시각적 형태와 언어별 특성을 보존하는 것이 핵심.