THE SCHOOL OF KAMOS
現場の開発から学ぶ、世界一やさしい日刊AIスクール新聞
なぜAIは同じモノを描き続けられない? 5枚組スケッチの「形の崩れ」を防ぐ視覚の基準点
毎朝プロトタイプを自律発行する『The Automata』の裏側で採用された、造形破綻を防ぐ画像参照の仕組み
「画像生成AIに同じ製品やキャラクターを別の角度から描いてもらうと、なぜか毎回少しずつ見た目が変わってしまうのはなぜだろう?」そんな素朴な疑問に、開発現場も真正面からぶつかりました。先端の研究論文をもとに工業プロトタイプと5枚組スケッチを毎朝自動発行する『The Automata』の創設にあたり、ただ言葉の指示だけで順番に絵を描かせたところ、1枚目と3枚目で製品の形が別物のように崩れてしまう課題が起きたのです。
なぜAIは、さっき自分が描いたはずの形をそのまま別の角度から描き直すのが苦手なのでしょうか。それは、言葉だけを頼りにする「伝言ゲーム」を思い浮かべるとよく分かります。たとえば目の前に実物がない状態で、「丸い取っ手がついた細長い金属のランプ」と口頭で説明された5人の画家が、それぞれ前後や横からの姿を描いたとします。言葉の受け取り方にはどうしても幅があるため、取っ手の大きさや角の丸みが人によってバラバラになり、並べたときに同じ製品には見えなくなってしまいます。AIもこれと同じように、毎回ゼロから「言葉のレシピ」だけを手がかりに絵を組み立て直すため、直前の見た目とぴったり揃えることが難しいのです。
この悩みをスッキリ解決するために現場で取り入れられたのが、アトリエの中央に動かぬ見本を据えるような仕組みです。開発チームは画像生成の共通機能に、最初に描き上げた1枚目のスケッチを「唯一の視覚的基準(Visual SSOT)」として固定し、それを常に参照しながら残りの4枚を描く専用の参照モードを追加しました。言葉の指示だけを手渡すのではなく、1枚目の完成見本をそのままAIの目の前に並べて「この形と質感を保ったまま、横や後ろからの姿を描いて」と頼む設計です。さらに絵の中に文字を混ぜない工夫も合わせたことで、5枚すべてがひとつの立体として矛盾なく噛み合うようになりました。
"言葉で百回説明するよりも、最初の1枚を『動かぬ見本』として見せる方が、AIは迷わず同じ形を描き切れる。"本日の重要ポイント
📖 今日の1分AI単語辞典
あちこちにバラバラの見本を作らず、たったひとつの正しい基準画像をすべての工程で参照し続ける設計の考え方。
文字の文章だけでなく、写真やイラストの内容も一緒に読み取って理解したり生成したりできるAIの仕組み。
視覚の基準点(Visual SSOT)でAIの造形破綻を防ぐ仕組み
直近のAI世界観測:現場とつながる最新トレンド
富岳に不正アクセス 理研が明かす
理化学研究所が、スーパーコンピュータ「富岳」への不正アクセスが発生していたことを明らかにしました。高度な計算資源や研究インフラを狙ったサイバーセキュリティ上の脅威が改めて浮き彫りとなっています。
日経平均は後場に6万円下回る、AI株が下げ拡大
東京株式市場で日経平均株価が後場に節目の6万円を下回り、AI関連銘柄を中心に下げ幅が拡大しました。市場全体でAI関連投資の収益性や実需を見極める動きが強まっています。
世界の最新研究とどう繋がってる?
絵と言葉を同時に扱う視覚言語モデルが、視覚的な手がかりと指示文をどう結びつけているかは、世界の最新研究でも活発に探求されています。arXivで発表された論文『Dr. No』では、モデル内部の特徴量を直接調整することで、視覚情報が曖昧な場面や判断できない問いに対してAIが無理な推測をしてズレた答えを出さないよう制御する手法が示されました。言葉だけの曖昧な推測によるブレを抑え、確かな視覚の基準を参照させることで造形の破綻を防ぐ今回の現場の工夫とも、根底で深く結びついています。
複数の角度から同じ製品のイラストをAIに連続で描かせるとき、形が崩れないようにする工夫として最も適切なものはどれでしょうか?
過去のスクール新聞バックナンバー
『今年の確実』と『来年の先読み』を両立する。予定を混ぜずに未来を予約するシステム設計
「再生ボタン」のレントゲン写真。AIが5分超の長文を息切れせず朗読する裏側の調律技術
AIを止めれば、記録は生き続ける。維持費ゼロへ導く「完結の設計」
画面のネオンと専門計器を外して見えたもの。WebGPU全11作品の案内板を平易に整える技術
20,000字を1枚の4象限図解へ。最新画像モデル「Nano Banana 2.1」が拓く長文要約の現在地
表示中
なぜAIは同じモノを描き続けられない? 5枚組スケッチの「形の崩れ」を防ぐ視覚の基準点
100の型紙を手放し、窓口をひとつに。AIの迷いを消した「引き算」の設計術
もしブラウザで『1,000本の腕』を動かしたら? AIとWebGPUが叶えた軽やかな3D展示の実験
変わらない前半は鉄枠に固め、思考のための長い巻紙を――Gemini 4統一と95%節約の印刷術
「自由に画面を動かす」と「ムダなく精密に操る」を両立するハイブリッド操作の仕組み
「追加でお願い」の裏側で何が動くのか? AIが直前の記憶と道具を引き継ぐ内部配線
言葉を飾るほどAIは迷子になる:情緒を削ぎ落とす「無骨な説明文」の逆説
チャット画面に情報を埋もれさせない! 会話から成果物を紡ぎ出す「4段階カスケード同期」の設計