AI画像生成のヒント：初心者からプロまで
Midjourney、DALL-E、Stable Diffusionなどで素晴らしい画像を作るヒント。
拡散モデルがそのように振る舞う理由
今日の主要な画像生成器はすべて拡散モデルです。純粋なノイズから始まり、段階的にノイズを除去しながら、各ステップをプロンプトに合致する画像へと導きます。プロンプトはトークンに分解され、それらのトークンがノイズ除去の過程を条件付けます。ここから3つの実用的な帰結が導かれます。
第一に、位置が重要です。多くのシステムは前方のトークンにより大きな影響力を与え、非常に長いプロンプトは希釈されるか切り捨てられます。被写体を先頭に、スタイルを次に置き、細部の指定は後方に回しましょう。
第二に、モデルはルールではなく統計的パターンを再現します。手が悪名高く難しいのは、学習写真の中の手が何千ものポーズで、半分隠れたり物を握ったりして写っているからです。モデルは「指は5本」というルールではなく、ぼやけた平均を学習します。読めるテキストが難しいのは、文字が記号ではなく形として学習されるからです。数を数えるのに失敗するのは、アーキテクチャの中に実際に数える仕組みがないからです。リンゴ3個を頼むと、2個や4個になることがよくあります。
第三に、概念は互いににじみます。「レトリバーの隣の黄金の王冠」では、「黄金」という言葉がしばしば犬まで染めてしまいます。形容詞は近くの名詞にゆるく結びつくため、言い回しと語順は初心者の予想よりはるかに重要です。
5層構造のプロンプト
信頼できるプロンプトは5つのことを記述します。被写体、スタイルまたは画材、環境、照明とムード、技術的品質です。毎回5つすべてが必要なわけではありませんが、この層を知っていれば、結果が平凡に感じられたときに何を追加すべきか正確にわかります。
- 改善前: 「猫、美しい、高品質、4k、傑作、素晴らしい」 - 改善後: 「日差しの当たる窓辺で丸くなるシルバータビーの猫、ドキュメンタリー写真、つる植物のある小さなアパート、柔らかい朝の光、浅い被写界深度、85mmレンズ」
最初のプロンプトは、モデルがほぼ無視する品質ワード以外に何も与えていません。2つ目は、属性を持つ被写体、媒体、舞台、光源、そしてモデルが強い関連付けを持つカメラ用語を指定しています。
ネガティブプロンプト
ネガティブプロンプトは、モデルに避けるべきものを伝えます。Stable Diffusionはネイティブに対応し、Midjourneyは--noを使い（例: --no text, watermark）、DALL-E 3はプロンプト内に普通の文章で書いた除外指定に最もよく反応します。有用で的を絞ったネガティブには「ウォーターマーク」「テキスト」「余分な指」「ぼやけ」「過飽和」があります。
ネットで共有される巨大なコピペ用ネガティブリストは避けましょう。すべてのネガティブ語は影響力を消費し、数十個も積み重ねるとコントラストが平坦になったり、画像全体が凡庸になったりします。自分の出力で実際に観察した問題に対してのみネガティブを追加してください。
色と構図の語彙
モデルは写真や美術批評の語彙に強く反応します。そうした言葉が、よく構成された画像のキャプションに登場するからです。
- 色: 「ブルーとティールの類似色パレット」「オレンジとティールの補色」「彩度を落としたくすんだパステル」「赤いアクセントが一点あるモノクローム」 - 構図: 「三分割法」「リーディングライン」「ネガティブスペース」「中央対称の構図」「俯瞰」「ダッチアングル」 - 光: 「ゴールデンアワーの逆光」「柔らかく拡散した曇天光」「硬いリムライト」「キャンドルの灯り」
ムードについて、改善前後の例をもう一つ。「暗くムーディーな森」は曖昧です。「夕暮れの密集した松林、冷たい青の影のトーン、焦点となる暖かいランタンが一つ、低く漂う霧、木々の稜線の上のネガティブスペース」なら、モデルにパレット、焦点、構図を手渡せます。
収束する反復ワークフロー
やみくもな再生成はクレジットの無駄です。規律あるループの方がはるかに速く収束します。
- 中程度の長さのプロンプトで4枚のバッチを生成します。 - 最良の1枚を診断します。何が合っていて、何が違うのか？ - 一度に変える変数は一つだけ — 被写体の詳細、次に照明、次にスタイル。3つ同時に変えて良くなったなら、何も学べていません。 - 惜しい結果にはゼロから書き直すのではなく、バリエーション機能を使います。 - アップスケールは最後だけ。早い段階でアップスケールしても、欠点が高解像度で固定されるだけです。
現役アーティストの間では、決定版に至るまで5〜10回の反復が普通だとよく言われます。クレジットと忍耐をそれに合わせて配分しましょう。
プラットフォーム別の強み
- Midjourney: デフォルトの美学とスタイル化が最強。手間をかけずに美しさを求めるときに最適。 - DALL-E 3: 指示追従と短いテキストレンダリングが最良。ChatGPT経由の対話的な調整が可能。 - Stable Diffusion: 最大限の制御 — ポーズとレイアウトのためのControlNet、LoRAファインチューニング、ローカルで無料実行。 - Flux: 高いフォトリアリズムとプロンプト忠実度、自然な肌の質感、オープンウェイト版あり。
ライセンスと商用利用
公開する前に利用規約を読みましょう。Midjourneyは有料プランで商用利用権を付与し、大企業には追加条件があります。DALL-Eの出力はOpenAIの規約の下で一般に商用利用できます。Stable DiffusionとFluxは個々のチェックポイントのライセンス次第で、一部のオープンウェイトモデルは商用利用を禁じています。また別の問題として、米国を含むいくつかの法域は、意味のある人間の著作的関与がない純粋なAI生成画像は著作権保護の対象にならない可能性があると示しています。後で出所が問題になる場合に備えて、プロンプト、下書き、編集記録を保管しておきましょう。
心に留めておくべき限界
プロンプトが完璧でも、次のものには問題を覚悟してください。複雑に物を握る手、読める長さの段落テキスト、2〜3個を超える正確な物体数、「本の左のカップ」のような精密な空間指示、専用の参照機能なしでの複数画像にわたる一貫したキャラクター。完璧な一発生成を追い求めるより、小さな欠陥は画像編集ソフトで直す計画を立てましょう。
よくある間違い
- 「8k、傑作、トレンド入り」のようなキーワード詰め込み — 現代のモデルはほぼ無視します。 - 反復のたびに多くの変数を変えて、何が効いたのかわからなくすること。 - アスペクト比を無視して、後で自分の構図を切り落とすこと。 - 画像全体をくすませる巨大なネガティブプロンプトのコピペ。 - プラットフォームのライセンス規約を確認せずに商用公開すること。
ループを身につけましょう — 構造化されたプロンプト、変数一つずつの反復、最後のアップスケール。そうすれば、すべてのプラットフォームが一度に扱いやすくなります。