AI 画像変換の結果をレビューする：もう一度反復する前のチェックリスト

うまくいかない画像変換のセッションの多くは、プロンプトの問題ではない。レビューの問題だ。誰かが結果を生成し、どこがどう悪いのか言葉にできないまま「何か違う」と感じ、プロンプトを丸ごと書き直してまた生成する。そのとき、すでに正しかった三つの点を失っている。十分後には、それぞれ違う形で間違った五枚の画像があり、どの変更がどの結果を生んだかの記録もない。

抜けている工程は、結果の見方そのもので、その見方は三つの判断のどれかに着地する。採用する、文言を変える、強度を変える、のどれかだ。この習慣は生成の内部ではなく、生成と生成のあいだに収まる。また、その写真から何を得たいのかをすでに知っていることを前提にしている。これは、得られたかどうかを判断する力とは別のスキルだ。

生成する前に合格条件を書く

レビューには基準が要る。そして基準は、画像より先に存在していなければならない。まず一文を書く。この画像が完成していると言えるために、何が成り立っていなければならないか。同じ石の面に同じ向きの影を落とす同じボトル、ただし背景は灰色ではなく暖かい砂色。この一文には二つの半分があり、どちらも同じだけ重要だ。望む変化と、それを経ても残っていなければならないものだ。

この一文は、悪い依頼をふるいにかける働きもする。合格条件に、雰囲気、照明、新しい素材についての三つの節が必要なら、その仕事は一つの編集を装った三つの編集であり、どんな単一のレビューでもどの部分が失敗したのかは分からない。分割し、元画像は残し、部分を順番に実行する。Adobe Firefly のテキストプロンプトエディターは、まさにそう使うためのものだ。そのチュートリアル自体が、一つの指示を前の結果の上に積み重ねている。花瓶の色を変え、次に壁紙を加え、次に四番目の花瓶に花を加える。各段階は、それぞれ自分の合格条件と自分のレビューを伴う。

その一文が書けないなら、まだ何かを判断する準備はできていない。その状態での生成は当て推量のように感じられる。実際に当て推量だからだ。

すべての結果に対して、順番に二つの問いを立てる

出力を見て、次の問いに別々に答える。

第一に、頼んだものは実際に変わったか。第二に、頼んでいないものはすべて元の場所にとどまったか。

別々の問いなのは、別々に失敗するからであり、その二つの失敗は原因が正反対だからだ。保持が保たれているのに変化が起きていないなら、指示が弱すぎたか、変換が臆病すぎたということだ。モデルはあなたの写真を答えとして扱い、プロンプトを提案として扱った。変化は起きたが保持が崩れているなら、その逆で、モデルに自由があり、それを費やしたということだ。表面、照明、幾何学を、それを留めておくものが何もなかったために作り変えたのだ。

拡散モデルベースの image-to-image パイプラインでは、これは機械的な仕組みになる。Hugging Face のドキュメントは、初期画像がエンコードされ、ノイズを加えられ、その後プロンプトに向けてノイズ除去される過程を説明している。元画像のどれだけがその行程を生き延びるかは、strength の設定が決める。続いて guidance scale が、結果がテキストにどれだけ厳密に従うかを左右し、値が高いほどプロンプトへの整合が強まり、逸脱する余地が小さくなる。レビューするとき、あなたはその二つの力を絵から読み取っている。変化が少なすぎるのは弱い押し。副作用が大きすぎるのは、何も固定していない強い押しだ。

一度に一つのダイヤルだけを動かす。そして多くの場合、そのダイヤルは強度だ

期待外れの結果のあとに働く直感は、プロンプトを書き直すことだ。しかしそれは多くの場合、最初に取るべき手ではない。複数のものを一度に変えてしまい、どれが効いたのかを何も教えてくれないからだ。

プロンプトが正確で、ただ変化が届かなかったのなら、変換の強度を上げる。プロンプトが正確で、構図が行きすぎたのなら、強度を下げる。同じドキュメントが、その数値の意味を明示している。強度を高くすると、開始画像とは違うものを生み出す余地がモデルに増える。強度 1.0 は初期画像がほぼ無視されることを意味し、より低い値なら出力は持ち込んだ写真に近いまま保たれる。

このダイヤルは純粋な算術ではないが、その算術は知っておく価値がある。強度は、適用されるノイズ除去ステップの数に比例する。だから五十ステップに対して強度 0.8 なら、四十ステップ分のノイズを加えて取り除くことになる。範囲の上端付近での動きは大きく変えるが、下端付近での同じ動きはほとんど何も変えない。

KOOX の image to image ツールはそのコントロールを直接公開していて、説明も同じだ。より劇的な変化には高い強度、元画像に近づけたいときは低い強度。レビューが「方向は正しい、足りない」と言っているときに最初に動かすべきものだ。やってはいけないのは、同じ試行で強度を動かし、条件の一文も書き換えることだ。結果が良くなってもどちらの変更が効いたのか分からず、次の画像は推測から始まる。

書き換える前に、欠陥に名前を付ける

漠然とした不満は、漠然としたやり直しを生む。欠陥に名前を付ければ、それぞれの名前に具体的な対処法がある。

置き換えた要素が周囲と接する部分の縁の継ぎ目やハロー：局所的な変化がモデルがなじませられる大きさを超えている。範囲を狭めるか、強度を下げる。同じ質感の繰り返し、タイル状のパターン、固く見えるべき面が織物のように見える：パターンではなく、素材とその仕上げを記述する。パターンを表す名詞は解釈されずにコピーされるからだ。文字化けしたテキスト、でっち上げのラベル、崩れた文字組み：読めない文字を生成モデルに再現させようとするのをやめ、あとから本物の文字を合成する。曲がった直線、融合した指、浮いた物体：幾何学の問題はたいてい、言葉を構造ではなくスタイルに費やしたプロンプトから来る。何がどこにあり、何が何の上に載っているのかを書く。二方向から来る光、あるいは誤った向きの影：向き、硬さ、時間帯を一つの句で指定し、光の説明ではなく一つの光をモデルに与える。誰も頼んでいない余計な物体：シーンの記述が足りず、埋められた。空いている空間を意図して名指しする。

二分間の名付けが、たいていは三回分の再生成を置き換える。失敗した試行を情報に変えることにもなる。やり直しのコストは、それだけで済むべきだ。

画像が使われる大きさで判断する

どんな画像もサムネイルでは許容できるように見える。継ぎ目は消え、でっち上げのディテールは質感として読まれ、誤った向きの影は見えない。代わりに二度判断する。一度は原寸で、縁、顔、文字を調べるため。もう一度は、ファイルが実際に現れる大きさで。ストアのカード、ヘッダー、スマートフォンの画面。原寸で残るディテールは幅三百ピクセルで消えることがあり、三百ピクセルで何でもないように見えるディテールが、印刷が却下される理由になることがある。

前回の試行ではなく、元画像と比較する。記憶は頼りにならない参照だ。生成のたびに、元がどんな見た目だったかの感覚がリセットされ、四回試したあとでは、守ろうとしているものがファイルの中でも頭の中でも同じだけずれている。履歴パネルを持つエディターは、過去のどのバージョンでも現在のものの隣に開けるようにすることでこれを解決している。だからスクロールする場所としてではなく、比較のための道具として意識的に使う。

もう一つ、手間のかからない方法は、画像を反転して見るか、五分離れてから戻ってくることだ。どちらも、三十秒じっと見つめたあとに目が落ち着くパターン照合を壊し、見えなくなっていた欠陥を浮かび上がらせる。

合格した最初の結果で止める

生成はサンプルであって、修理ではない。同じプロンプトをもう一度走らせるのは、新しい画像に対する新たなコイントスであって、漸進的な修正ではない。十番目のサンプルは四番目より良いのではなく、違うだけだ。

だから停止条件を定義する。画像が合格条件を満たし、見つけた欠陥が出力サイズで現れないなら、それは完成だ。使って次に進む。その先まで反復することが、セッションを丸々半日に変え、良い結果を、自分を説得して選んだ少し劣る結果に置き換える。

さらに重要なのは、そこから導かれる帰結だ。連続する二回の試行が同じ軸で失敗するなら、生成をやめて上流を直す。解像度、ぼけ、あるいは誤った向きを向いた物体のために元写真がその変化を支えられないか、依頼が一回のパスには大きすぎて分割が必要か、そのどちらかだ。変えない設定でのさらなる試行は、違うノイズを伴う同じ失敗を生むだけだ。

採用したファイルは残す。却下した試行は、何かを教えてくれたときだけ残す。バージョン名は final、final2、final-v3 よりも、何を変えたかを示す名前にする。

五行のレビューノートを残す

書き留めてしまえば、このどれも長くはかからない。そしてそのノートは、同じ種類の写真を二度目に編集するときに、それ自体で元が取れる。

五行で足りる。元ファイル、依頼内容、使った強度、二つの問いへの判定、そして決定だ。スタジオ撮影のボトル、強度は中低、変化は届いた、ラベルがずれた、SNS 用として採用、印刷には使わない。同僚にそのまま渡せる一文であり、同じクライアントが同じ製品を送ってくる来月に読み返せるノートだ。

チームには二つ目の利点がある。書かれた判定は、三人が同じ画像をそれぞれ違うふうに描写し、何をすれば許容できるのか誰も言えないという堂々巡りを終わらせる。最初の工程で書いた合格条件が、レビューが行われる共通言語になる。

この手順は意図的に退屈だ。前に一文、その間に二つの問い、あとに三つの判断のうち一つ、最後にノート一つ。退屈であることが要点だ。変換は今や十分に速く、ボトルネックは生成から判断へ移った。そして判断こそ、仕組み化できる部分だ。

すでに気に入っている写真から始め、一文を書き、レビューがそこだと言う強度で一回だけパスを回す。この手順を実際の何かで試したいなら、KOOX の image to image ツールを開いてほしい。文言がまだ未解決の問いなら、この五つのプロンプトのレシピとこの四パスの手順が、仕事のその半分を扱っている。