AI画像変換のラウンドを連結する：最後の出力から続けるべきときと、最初からやり直すべきとき
複数ラウンドのAI画像変換のための実践的なワークフロー：strengthとステップの計算を読み解き、元の写真からやり直すべきタイミングを判断し、ラウンド台帳をつけ、最新ではなく最良のラウンドから書き出す。
AI画像変換のセッションのほとんどは、1枚の写真と1つの変更から始まります。変更が決まり、結果は残しておくのに十分な出来になり、そこへ2つ目のアイデアが浮かびます。背景を少し暖かく、隅をきれいに、影を柔らかく。たいていの人はその時点で直前の結果を入力に戻し、もう1つだけ頼みます。まさにその瞬間に、制御された編集は連鎖に変わり、連鎖は単発のパスとはまったく違う振る舞いをします。
2つ目の依頼そのものは不合理ではありません。変わるのは出発点です。1ラウンド目ではモデルは写真から始まりました。写真は実際の場面を濃密に記録したものです。2ラウンド目は生成された画像から始まり、それはその場面のもっともらしい再構成です。そして3ラウンド目は、再構成の再構成から始まります。それぞれのつながりは単体では問題ありません。問題は、どのラウンドもすでに近似だった細部を再解釈し、小さな再解釈が一方向に積み重なっていくことです。
2回目のパスは1回目とは別の仕事
最初の変換には、錨となる写真があります。布の折り目、石のきめ、影の正確な色合い、ハイライトの下でラベルがどう収まっているか。それらはすべて、アップロードしたファイルから来ています。発明されたのではなく、測られたものです。
生成された画像を入力に戻した時点で、錨は失われます。モデルは直前の出力を「世界」として扱い、わずかに間違っていた部分も含めてそのまま受け取ります。柔らかくなったボトルの縁、違う角度で返ってきた反射、いつの間にかバックルを失ったストラップ。2回目のパスは、それらが間違いだったことを知りません。そのまま保存し、ときにはそれを一つのスタイルとして研ぎ澄ませてしまいます。
1ラウンド目で見事に決まった同じプロンプトが、2ラウンド目では濁った結果を生むのはそのためです。指示が悪くなったのではありません。その下にある正解が薄くなったのです。
連鎖させる前にstrengthの計算を読む
拡散モデルベースのimage-to-imageは、レイヤー編集ではありません。Diffusersのimage-to-imageのドキュメントはそのプロセスを平易に説明しています。開始画像がエンコードされ、そこにノイズが加えられ、モデルがプロンプトに向けてノイズを除去しながら戻っていく、という流れです。strengthの設定は、その行程のどこまでを画像に走らせるかを決めます。値が高いほど、モデルは違うものを生み出す余地を多く持ち、1.0では開始画像はほぼ無視されます。値が低いほど、出力は持ち込んだ画像に近く保たれます。
ドキュメントはまた、見落とされがちな連動関係も明記しています。strengthとnum_inference_stepsは連動し、strengthがノイズを加えるステップ数を決めるのです。50ステップでstrengthが0.8なら、その50のうち40ステップが再度ノイズを加えられ、再度ノイズ除去されます。つまり0.8の「穏やかな」2回目のパスでも、画面の5分の4を作り直しているのです。画像が似て見えるのは、プロンプトが似たものを求めているからであって、ピクセルが保護されたからではありません。
この計算が、連鎖を高くつくものにします。0.8の2回のパスは1.6ラウンド分の変化ではなく、2回の完全な再構成であり、2回目は再構成の上に築かれています。guidance scaleは反対側から効果を強めます。値が高いほどプロンプトの文言へ強く引き寄せ、開始画像が反論できる余地を減らすからです。
続けるか、やり直すかを決める
役に立つ問いは、直前の結果がどれだけ良く見えるかではありません。次の変更が実際にどこに触れるかです。その答えによって、作業は2つの山に分かれます。
次の変更が被写体に関わるなら、元の写真からやり直します。シルエット、比率、バックル、ラベル、背景と接する縁、わずかな文字、製品の正確な色などです。これらは2回目の生成が真っ先に滲ませがちな細部で、1回目のパスが柔らかくしてしまった後は、どれほど丁寧にプロンプトを書いても取り戻せません。やり直すというのは、きれいな元データから、2つの変更を同時に求める1つの指示書を書くことです。
直前の出力から続けるのが妥当なのは、次の変更が全体にわたり、寛容な場合です。画面全体の暖かさの調整、背景全体に淡い色をかけること、コントラストを少し上げるか下げるか、重要なものが何もない空いた隅の片付けなどです。こうした変更は被写体の元のピクセルを必要としません。被写体に触れないからです。
実用的な上限を決めておくと役立ちます。構造的なラウンドは写真から数えて2回まで、互いから数えてはいけません。被写体について3つ目のアイデアが来たら、それはラウンド0から書き直した指示書に入るものであり、最初の2つと並ぶものであって、その上に積むものではありません。
正解のファイルを1つと、台帳を1冊保つ
連鎖は静かに失敗します。最初に記憶が失敗するからです。3日後には、7つのファイルのどれが良かったのか、どのプロンプトがそれを生んだのか、誰も覚えていません。
それを2つの小さな習慣で直します。第一に、元のアップロードを決して上書きしないこと。読み取り専用のラウンド0として残し、各ラウンドはラウンド番号を名前に含めた新しいファイルとして書き出します。第二に、ファイルの隣に台帳を置き、1ラウンドにつき1行書くこと。ラウンド番号、開始した入力、プロンプト、strength、guidanceの値、そしてそのラウンドが何のためのものだったかを1文で。
台帳には2つの役割があります。後のラウンドが悪いときに、どのラウンドへ戻るべきかを教えてくれます。そして何も上手くいかないときに、何を変えるべきかを教えてくれます。台帳がなければ、反復は、たまたま同じフォルダを共有しているだけの無関係な推測の連続になります。
各ラウンドを「1つの追加」と「1つの保護」として書く
連鎖するラウンドは、プロンプトが「変えるもの」と「残さなければならないもの」の両方を名指しするとき、最もよく機能します。単一指示のプロンプトは、触れていないすべてをモデルが再解釈する自由を残します。2ラウンド目では、それはすべてを意味します。
Google の画像生成ドキュメントは、編集の例でこの形を示しています。プロンプトが1つの対象を名指しし、そのうえで残りの画面を閉じるのです。「青いソファだけをヴィンテージのブラウン色レザーのチェスターフィールドに変え、クッションや照明を含め、部屋の残りは変更しない」。1文でありながら、変更と保護リストの両方が含まれています。
連鎖するラウンドでも同じ書き方をし、保護リストは前のラウンドがうまくいった点に合わせて具体的にします。1ラウンド目でようやく説得力のある影が出たなら、プロンプトでそう言います。ボトルのラベルが無傷で残ったなら、それを名指しします。リストは飾りではありません。次の生成が、すでに代償を払って手に入れた細部にその自由を使うのを止める、指示の一部なのです。
次のラウンドを積む前に、各ラウンドをレビューする
連鎖させ始めると、レビューの問いが変わります。もはや「これは十分に良いか」ではなく、「これは上に積んでも安全なものか」です。各結果はサムネイルの一覧ではなく原寸で見て、同じ倍率のラウンド0と比べます。
連鎖がおかしくなり始めると、3つの兆候が早い段階で現れます。縁が柔らかくなる。被写体と背景の境界が鮮明さを失い、かすかなハローが付きます。質感が平坦になる。石はなめらかになり、布は織り目を失い、繰り返しの細部がパターンに変わります。小さな特徴がずれる。ラベルが数ピクセル動き、反射の角度が変わり、影の向きが変わります。気にかけている細部にこれらのどれかが現れたら、そのファイルは次のラウンドへの入力としては不良です。ほかの点がどれだけ良くても。
最新のラウンドではなく、最良のラウンドから仕上げる
連鎖の最後の画像が最良であることはほとんどありません。続けた理由が、まだ何かが間違っていたことだったからです。書き出す前に、ラウンドを並べて、最新ではなく最も強いファイルを選びます。
そして、そのファイルの編集を止めます。後のラウンドが、最良のラウンドが間違えていた領域を解決していたなら、その領域だけを取るか、改善を織り込んで勝った指示書を元の写真から再実行します。どちらも連鎖を続けるよりきれいで、どちらも元データへ戻る道を残します。
連鎖をまったく使うべきでない場合
2回目の再構成をまったく許容できない仕事もあります。商品が実物と正確に一致しなければならない商品撮影、読める文字のあるパッケージ、ロゴ、マーケットプレイスの審査を通るものは、いずれも連鎖に適しません。各パスはレイヤー編集ではなく再生成なので、正確なピクセルはプロンプトが保証できるものではありません。
要件が同一性であるなら、変換は元画像から1回のパスで行い、最後の数パーセントは切り抜きを保持できる合成ツールで仕上げます。この役割分担は、以前の KOOX のガイドである反復する前に変換をレビューするでも示されているとおりです。目で判断し、それから一度に1つだけ変える。
今日から実行できるルーティン
よく知っている写真を1枚選び、1文で言い表せる変更を1つだけ与えるところから始めます。そのラウンドをラウンド1として保存し、台帳に1行書きます。ほかを頼む前に、次の変更がどちらの山に入るかを決めます。被写体なら、元データから統合した指示書でやり直す。雰囲気なら、ラウンド1から続けてよい。
連鎖は2ラウンドまでに抑え、各結果は原寸で元画像と比べてレビューし、最後のファイルではなく最良のファイルを書き出します。連鎖を始める前に、このワークフローの単発パス側を見ておきたいなら、AI image to image ツールがラウンド0を実行する場所です。
連鎖は間違いではありません。予算のあるテクニックであり、その予算は、サムネイルサイズでは見えない細部の忠実さで支払われます。