AI画像生成の最大の弱点はもう指でも文字でもなく「センス」だ
A practical guide to AI image generation, from diffusion to agents
Pythonから複数の画像生成APIを叩いた著者による実践ガイド。拡散モデルとマルチモーダルモデルの仕組み、GANから2026年までの歴史、料金体系を整理する。指の本数や文字の綴りはほぼ解決し、今やAI画像を見抜く手がかりは過剰な光沢や過剰なドラマ性といった「センスのなさ」だという。プロンプトのコツ、ピクセルアートの作り方、エージェントへの組み込み方まで、実験で得た知見を惜しみなく共有する。
今や見破る手がかりはセンスだ。光りすぎ、ドラマチックすぎ、何ひとつ地味であってはいけない。
HNでの議論
31- vunderba
良い記事だ。ピクセルアートにはもう一つ選択肢があって、LLMのツール利用能力が向上するにつれて最近流行りつつあるのがプロシージャル・グラフィックスだ。
実は初期AGIスタイルのEGAグラフィックシーンをレンダリングするスキル群を作って実験してみたんだが、驚くほどうまくいった。
つまり、フルビットマップを保存するのではなく、ある特定のシーンを再現するように設計されたシンプルな描画命令のシーケンスを保存するんだ。SVGと同じような感じでね。
その結果、大規模な生成モデルが抱える多くの問題を回避できる。グリッドの位置合わせやパレットの選択、高周波ノイズといった問題だ。
- __bias
こうしたモデルが作るピクセルアートはいつもゴミみたいに見える。使っている人たちがこのメディアについて十分に理解していないから、出力を正しく評価できないんだ。この記事も例外じゃない。自分のプロジェクト用にピクセルアートが欲しいなら、自分で学ぶか、その専門知識を持つ人を雇うべきだ。
- turbobutton
関連する質問なんだけど、FluxにせよQwenにせよローカルで画像生成を動かそうとすると、今のChatGPTが出せるものより1〜2年は遅れた結果しか得られない気がする。しかも1枚に最大5分もかかる。これはハードウェアの問題（そこそこのWindowsゲーミングPCで動かしている）なのか、設定の問題なのか、それとも現時点でコンシューマ向けハードウェア上でローカルモデルが実現できる現実的な限界なのか、どれなんだろう？
- Lerc
ControlNetってもうあまり使われていないのかな？ 同じレベルの構図制御を提供してくれるものは他に見当たらないんだけど、それなのに言及されているのをほとんど見かけない。
- tonmoy
opus 5.5にロゴを作るPythonコードを書かせているんだけど、この目的では生成AIよりも一貫性があって制御しやすいんだ。