画像生成AIとは (ガゾウセイセイエーアイとは) [単語記事]

画像生成AIとは、テキストなどの入力から画像を自動生成する人工知能技術である。

概要

画像生成AIは、機械学習の一種である深層学習を用いて、テキストプロンプト（文章による指示）や既存の画像から新たな画像を生成する技術である。2022年以降、一般ユーザーが利用可能なサービスが急速に普及し、イラスト制作、デザイン、創作活動など幅広い分野で使用されるようになった。

従来のコンピュータグラフィックスとは異なり、AIが学習したデータをもとに画像を「生成」する点が特徴である。ユーザーは詳細な描画スキルがなくても、適切な指示（プロンプト）を与えることで、高品質な画像を得ることができる。

歴史と発展

初期の研究（2014年〜2020年）

画像生成AIの基礎技術として、2014年にGAN（Generative Adversarial Network：敵対的生成ネットワーク）が発表された。この技術により、AIによる画像生成の可能性が大きく広がった。

実用化の始まり（2021年〜2022年）

2021年にOpenAIが「DALL-E」を発表し、テキストから画像を生成する技術が注目を集めた。2022年には複数の画像生成AIサービスが一般公開され、急速に普及が進んだ。

大衆化と議論（2023年以降）

高性能な画像生成AIが誰でも使えるようになったことで、創作活動における新たな可能性が開かれた一方、著作権や倫理に関する議論も活発化した。

主要な画像生成AI

Stable Diffusion

2022年8月にStability AIが公開したオープンソースの画像生成AI。無料で利用でき、ローカル環境での実行も可能なため、最も普及している画像生成AIの一つである。高いカスタマイズ性が特徴。

Midjourney

Discordを通じて利用する画像生成AI。芸術的で独特な画風の画像生成に定評がある。有料サービスとして提供されている。

DALL-E

OpenAIが開発した画像生成AI。2021年に初代、2022年にDALL-E 2、2023年にDALL-E 3が公開された。高い精度と安全性への配慮が特徴。

NovelAI Diffusion

小説AI執筆サービス「NovelAI」が提供する画像生成機能。アニメ・イラスト調の画像生成に特化している。

主要な技術と用語

プロンプト（Prompt）: 画像生成AIに対して与える文章による指示。どのような画像を生成したいかを記述する。プロンプトの工夫により、生成される画像の品質や内容が大きく変化する。
LoRA（Low-Rank Adaptation）: AIモデルに追加学習を行うための技術。特定のキャラクター、画風、オブジェクトなどを学習させることで、元のモデルでは生成できなかった画像を生成可能にする。比較的少ないデータと計算資源で学習できる点が特徴。
Inpainting（インペインティング）: 既存の画像の一部を指定して、その部分だけをAIに再生成させる技術。画像の修正や部分的な変更に使用される。
Outpainting: 既存の画像の外側を拡張して、画像の範囲を広げる技術。画像の続きをAIが想像して描き足す。
img2img（Image to Image）: 既存の画像を入力として、それをもとに新しい画像を生成する手法。元画像の構図や雰囲気を保ちながら、別の画風や内容に変換できる。
ControlNet: 生成される画像のポーズ、構図、線画などを細かく制御するための拡張技術。より意図した画像を生成しやすくなる。
ネガティブプロンプト: 生成したくない要素を指定するプロンプト。「低品質」「手の崩れ」など、避けたい要素を記述することで、生成画像の品質を向上させる。
seed値: 画像生成時の乱数の初期値。同じseed値と同じプロンプトを使用すれば、同じ画像を再現できる。

社会的議論

画像生成AIの急速な普及に伴い、創作活動における倫理や法律に関する議論が活発化している。

著作権に関する議論

AIが学習に使用するデータや、AIが生成した画像の著作権について、様々な意見が存在する。日本の文化庁は、AIによる学習は著作権法第30条の4（著作物に表現された思想又は感情の享受を目的としない利用）により、原則として著作権侵害にあたらないとの見解を示している。ただし、生成された画像が既存の著作物と類似している場合や、特定の著作物を意図的に再現しようとした場合には、著作権侵害となる可能性がある。

反AI運動

画像生成AIの普及に対して、一部のクリエイターや支援者から批判的な意見が表明されている。主な懸念として、創作活動への影響、著作権の問題、AIによる雇用の喪失などが挙げられる。

このような状況から、AI技術そのものの是非ではなく、技術の適切な使用方法や、クリエイターの権利保護のあり方について、建設的な議論が求められている。

技術に関する誤解

画像生成AIに対する批判の中には、技術的な誤解に基づくものも見られる。

データセットと画像の保存

「AIのデータセットには学習した画像がそのまま保存されている」という主張があるが、これは画像生成AIの仕組みに対する誤解である。実際には、AIは画像そのものではなく、大量の画像から抽出したパターンやデータの特徴を学習している。

仮に画像をそのままデータとして保存した場合、その容量は膨大なものとなる。例えば、Stable Diffusionの学習に使用されたとされるLAION-5Bデータセットには約50億枚の画像が含まれるが、1枚あたり平均5MBと仮定しても、総容量は約25ペタバイト（25,000テラバイト）に達する計算になる。これは現在存在するどのような圧縮技術を用いても、個人のパソコンで扱える規模ではない。

実際のStable Diffusionのモデルファイルは数ギガバイト程度であり、これは画像を直接保存しているのではなく、学習によって得られた重み付けパラメータ（数学的なデータ）のみを保存しているためである。このパラメータから、AIは新たな画像を「生成」する。

この仕組みは、人間が絵を学ぶプロセスに似ている。画家は多くの絵画を見て学ぶが、見た絵を頭の中に写真のように保存しているわけではなく、描画の技法やスタイルの特徴を理解している。AIも同様に、画像の特徴やパターンを学習しているのであり、元画像を取り出すことは基本的にできない。