論文の概要: The Hidden Cost of an Image: Quantifying the Energy Consumption of AI Image Generation

• arxiv url: http://arxiv.org/abs/2506.17016v1
• Date: Fri, 20 Jun 2025 14:13:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.479166
• Title: The Hidden Cost of an Image: Quantifying the Energy Consumption of AI Image Generation
• Title（参考訳）: 画像の隠れコスト:AI画像生成のエネルギー消費の定量化
• Authors: Giulia Bertazzini, Chiara Albisani, Daniele Baracchi, Dasara Shullani, Roberto Verdecchia,
• Abstract要約: 本稿では,AI画像生成のエネルギー消費を評価するための総合実験について述べる。 実験では17の最先端画像生成モデルを比較した。 その結果、画像生成モデルは消費するエネルギーで大きく変化し、最大46倍の差があることがわかった。
• 参考スコア（独自算出の注目度）: 4.445287869361553
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the growing adoption of AI image generation, in conjunction with the ever-increasing environmental resources demanded by AI, we are urged to answer a fundamental question: What is the environmental impact hidden behind each image we generate? In this research, we present a comprehensive empirical experiment designed to assess the energy consumption of AI image generation. Our experiment compares 17 state-of-the-art image generation models by considering multiple factors that could affect their energy consumption, such as model quantization, image resolution, and prompt length. Additionally, we consider established image quality metrics to study potential trade-offs between energy consumption and generated image quality. Results show that image generation models vary drastically in terms of the energy they consume, with up to a 46x difference. Image resolution affects energy consumption inconsistently, ranging from a 1.3x to 4.7x increase when doubling resolution. U-Net-based models tend to consume less than Transformer-based one. Model quantization instead results to deteriorate the energy efficiency of most models, while prompt length and content have no statistically significant impact. Improving image quality does not always come at the cost of a higher energy consumption, with some of the models producing the highest quality images also being among the most energy efficient ones.
• Abstract（参考訳）: AI画像生成の普及に伴い、AIが要求する環境リソースの増加とともに、私たちは根本的な疑問に答えるよう促される。 本研究では,AI画像生成のエネルギー消費を評価するための総合的な実験実験を行う。 実験では, モデル量子化, 画像解像度, プロンプト長など, エネルギー消費に影響を与える複数の要因を考慮し, 最先端画像生成モデル17を比較検討した。 さらに,エネルギー消費と生成画像品質のトレードオフについて検討するために,確立された画像品質指標を検討する。 その結果、画像生成モデルは消費するエネルギーで大きく変化し、最大46倍の差があることがわかった。 画像解像度はエネルギー消費に矛盾し、解像度が2倍になると1.3倍から4.7倍に増加する。 U-NetベースのモデルはTransformerベースのモデルよりも消費が少ない傾向にある。 モデル量子化は、ほとんどのモデルのエネルギー効率を低下させるが、迅速な長さと内容は統計的に有意な影響を与えない。 画像品質の改善は、高エネルギー消費のコストがかかるとは限らないが、高画質の画像を生成するモデルも最もエネルギー効率の良いモデルの一つである。

関連論文リスト

• Native-Resolution Image Synthesis [79.73854557930089]
  本稿では、任意の解像度とアスペクト比で画像の合成を可能にする新しい生成モデリングパラダイムである、ネイティブ解像度画像合成を紹介する。 単一のNiTモデルは、ImageNet-256x256と512x512ベンチマークの両方で最先端のパフォーマンスを同時に達成する。 驚いたことに、先進的な大規模言語モデルで見られる堅牢なゼロショット機能と同様に、ImageNetでのみトレーニングされたNiTは、優れたゼロショット一般化性能を示している。
  論文  参考訳（メタデータ） (2025-06-03T17:57:33Z)
• Diffused Responsibility: Analyzing the Energy Consumption of Generative Text-to-Audio Diffusion Models [15.100667215184036]
  我々は、7つの最先端テキストからオーディオへの拡散に基づく生成モデルのエネルギー使用量分析を行う。 また,音質とエネルギー消費の最適バランスを同定することを目的とする。
  論文  参考訳（メタデータ） (2025-05-12T14:36:47Z)
• Towards Explainable Partial-AIGC Image Quality Assessment [51.42831861127991]
  AI生成画像(AGI)に対する画像品質評価(IQA)に関する広範な研究にもかかわらず、ほとんどの研究は完全なAI生成出力に焦点を当てている。 我々は、説明可能な部分AIGC画像品質評価(EPAIQA)を目的とした、最初の大規模PAIデータセットを構築した。 我々の研究は、総合的なPAI品質評価のためのIQA分野における先駆的な取り組みである。
  論文  参考訳（メタデータ） (2025-04-12T17:27:50Z)
• Green MLOps to Green GenOps: An Empirical Study of Energy Consumption in Discriminative and Generative AI Operations [2.2765705959685234]
  本研究では,実世界のMLOpsパイプラインにおける識別型および生成型AIモデルのエネルギー消費について検討する。 さまざまな構成、モデル、データセットにわたるレプリケーションの容易性を保証するために、ソフトウェアベースのパワー測定を採用しています。
  論文  参考訳（メタデータ） (2025-03-31T10:28:04Z)
• Efficient Training-Free High-Resolution Synthesis with Energy Rectification in Diffusion Models [29.69501919628436]
  拡散モデルは様々な視覚生成タスクにおいて顕著な進歩を遂げた。 しかし、トレーニング中に使用するものよりも解像度の高いコンテンツを生成すると、その性能は著しく低下する。 学習不要な高分解能合成のためのソリューションであるRectifiedHRを提案する。
  論文  参考訳（メタデータ） (2025-03-04T12:03:26Z)
• Double-Exponential Increases in Inference Energy: The Cost of the Race for Accuracy [3.6731536660959985]
  コンピュータビジョンにおけるディープラーニングモデルは、エネルギー消費と持続可能性に対する懸念を増大させる。 1200画像ネット分類モデルの推定エネルギー消費の包括的分析を行う。 我々は、エネルギー消費に寄与する重要な要因を特定し、エネルギー効率を向上させる方法を示す。
  論文  参考訳（メタデータ） (2024-12-12T21:44:08Z)
• Q-Refine: A Perceptual Quality Refiner for AI-Generated Image [85.89840673640028]
  Q-Refineという品質改善手法を提案する。 画像品質評価(IQA)メトリクスを使用して、初めて精錬プロセスをガイドする。 忠実度と美的品質の両方からAIGIを最適化するための一般的な精錬機となる。
  論文  参考訳（メタデータ） (2024-01-02T09:11:23Z)
• Exploring the Naturalness of AI-Generated Images [59.04528584651131]
  我々は、AI生成画像の視覚的自然性をベンチマークし、評価する第一歩を踏み出した。 本研究では,人間の評価を整列するAGIの自然性を自動予測するジョイント・オブジェクト・イメージ・ナチュラルネス評価器(JOINT)を提案する。 その結果,JOINTは自然性評価において,より主観的に一貫した結果を提供するために,ベースラインを著しく上回ることを示した。
  論文  参考訳（メタデータ） (2023-12-09T06:08:09Z)
• Conformer and Blind Noisy Students for Improved Image Quality Assessment [80.57006406834466]
  知覚品質評価(IQA)のための学習ベースアプローチは、通常、知覚品質を正確に測定するために歪んだ画像と参照画像の両方を必要とする。 本研究では,変換器を用いた全参照IQAモデルの性能について検討する。 また,全教師モデルから盲人学生モデルへの半教師付き知識蒸留に基づくIQAの手法を提案する。
  論文  参考訳（メタデータ） (2022-04-27T10:21:08Z)
• Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
  我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。 DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。 我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
  論文  参考訳（メタデータ） (2022-01-04T08:30:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。