AIが描く「スケッチ」：反復による画像生成の新潮流
- •人間のような芸術性を模倣し、一回限りの生成ではなく反復的な計画と修正を通じた画像制作手法を実現。
- •テキスト計画、視覚的下書き、自己反省、修正の4段階で構成されるプロセス駆動型フレームワークを採用。
- •段階的な密度ある監視（Dense, step-wise supervision）により、意味的一貫性を高め、推論プロセスの透明性を向上。
現在の画像生成AIは、驚くほど短気である。MidjourneyやDALL-Eといったツールに指示を出すと、AIは一気に膨大な計算を行い、一度の試行で画像を完成させようとする。この手法は効率的ではあるが、人間が傑作を生み出すために行う慎重で思索的なプロセスが欠けている。研究者たちは現在、AIが立ち止まって作業を確認し、途中で計画を修正できればどうなるかという重要な問いを投げかけている。
新たなパラダイムは、プロセス駆動型の画像生成だ。画素を一度に盲目的に塗りつぶすのではなく、画像生成を対話的な推論の軌跡と見なす。レイアウトを計画し、下書きを描き、反省し、磨き上げるという人間のワークフローを模倣し、合成プロセスを扱いやすいステップへと分解する。これにより、確率的な当てずっぽうではなく、意図的な決定の積み重ねとしてビジュアル生成を扱えるようになる。
この手法は、循環する4つのステージに支えられている。まず「テキスト計画」でシーンの設定と構成を定義し、「視覚的下書き」で初期のイメージを生成する。最も重要なのが「テキスト的省察」であり、AIは生成物をプロンプトと比較し、欠陥や不足を特定する。その結果に基づき、最後の「視覚的修正」で精度を高めるサイクルを繰り返す。
多段階生成における最大の障壁は曖昧さだ。AIは制作途中の状態が正しいかどうかをどう判断すべきか。これに対し研究者らは、段階的な監視を導入した。物体の配置を制約し、テキスト推論の論理をチェックすることで、プロセス全体を通じて整合性を維持する。これにより、ブラックボックスだった生成過程が、検証可能で修正可能なものへと変貌を遂げた。
この反復的なアプローチは、プロンプトへの忠実性という長年の課題を解決する可能性を秘めている。現状のモデルは、作業記憶を持たないため複数の物体を正しく配置するのが苦手だ。画像生成の未来は、一撃の稲妻のような単発的な生成から、思慮深く反復的な対話へとシフトしていくのかもしれない。