Text-to-image(画像生成)
Text-to-image(画像生成)とは、プロンプトと呼ばれる書かれた説明から新しい画像を生成するタスクです。現在のtext-to-imageモデルのほとんどは、テキストで条件付けした拡散モデルです。
別名: image generation, T2I, AI image generator
執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法
「夕暮れにレンガの壁に立てかけた赤い自転車」と入力すると、モデルはそれに合う画像を返します。裏では、テキストエンコーダーがプロンプトを数値に変え、拡散モデルがその数値を使って、ランダムなノイズから画像へとノイズ除去の方向を導きます。
テキストが画像を導く仕組み
Stable Diffusionの基盤となる設計である潜在拡散では、cross-attentionの層が、各ステップでテキストと形成中の画像をつなぎます。guidance scaleは、モデルがプロンプトにどれだけ強く従うかを制御します。レイアウトやポーズをより細かく制御するため、ツールはControlNetを加えたり、image-to-imageで既存の画像から始めたりします。
開発者の用途
製品のモックアップ、マーケティング用のアート、イラスト、ゲームの素材、UIのプレースホルダーです。ホスト型の選択肢にはMidjourneyやIdeogramがあり、FLUX.2 devのようなオープンなモデルは自分のGPUで動かせます。詳しくは画像モデルをご覧ください。
限界
モデルは今でも、画像内の正確な文字、数を数えること、手、正確な空間配置が苦手なことがあります。出力は学習データに依存するため、スタイルの模倣やライセンスについての疑問が生じます。結果は既定ではランダムなので、シードを固定しない限り、同じプロンプトでも異なる画像になります。生成された画像は通常、印刷には小さすぎるため、AIアップスケーラーにかけることがよくあります。
関連用語
- 拡散モデル
- 拡散モデル(diffusion model)とは、多くのステップをかけて少しずつノイズを取り除くことで、ランダムなノイズを画像などのデータに変えることを学ぶ生成モデルです。
- AI 画像アップスケーリング
- AI 画像アップスケーリング(AI image upscaling)、または超解像(super-resolution)は、ニューラルネットワークを使って画像を拡大し、もっともらしい細部を補う技術です。単純なリサイズよりも鮮明に見える結果が得られます。
- Image-to-image
- Image-to-image(画像から画像への生成)とは、既存の画像とプロンプトから新しい画像を生成するタスクです。元の画像の構造の一部を保ちながら、スタイル、細部、内容を変えます。
- ガイダンススケール(CFG)
- ガイダンススケール(guidance scale)、または CFG スケールとは、拡散モデルの画像生成ツールで、出力がプロンプトにどれだけ強く従うかを調整する設定です。値を高くするとプロンプトにより忠実に従いますが、多様性は下がります。
- ControlNet
- ControlNet は、テキストからの画像生成を行う拡散モデルが、テキストのプロンプトに加えて、エッジマップ、深度マップ、人のポーズなどの構造的なガイドに従えるようにするニューラルネットワークの追加モジュールです。
- インペインティングとアウトペインティング
- インペインティング(inpainting)とは、画像のマスクした領域を、画像のほかの部分に合う新しく生成した内容で埋めることです。アウトペインティング(outpainting)は同じ考え方を縁の外側に適用し、画像を枠の外へ広げます。