【AIとの距離感】画像を生み出すAIの、手前にあるもの｜画像生成AIの仕組み

まず、前回の練習問題の答えから。

前回の問いはこちらでした。

AIが「データから学ぶ」仕組みを何と呼ぶでしょう？
A. ルールベースAI
B. エキスパートシステム
C. 機械学習
D. シンギュラリティ

正解は C. 機械学習 でした。

ルールを人間が書くのではなく、データから自分でパターンを見つけていく仕組みのことです。Season 1の入口にあった話でした。参加してくださったみなさん、ありがとうございました。

🖼️ 毎日使っているのに、何も知らなかった

毎日Geminiで画像を生成しています。プロンプトを入れると、数秒で画像が出てくる。その体験には慣れましたが、どうやって画像が「生み出されている」のかは、ずっとわかっていませんでした。というか、わかろうとしていなかったかもしれません。

調べ始めたら、まず3つの名前が出てきました。CNN、VAE、GAN。

最初に見たとき、正直「また略語か」と思いました。

👁️ CNNは「見る」ための仕組み

CNN（Convolutional Neural Network、畳み込みニューラルネットワーク）は、画像を「見る」ことに特化した構造です。

人間が画像を見るとき、最初に線や色のパターンを捉えて、次に形を捉えて、最終的に「これは猫だ」と判断します。CNNはその過程を模していて、画像を小さなフィルターで走査しながら、段階的に特徴を抽出していきます。

「畳み込み」という言葉の意味を調べたら、数学の話が出てきてそっと閉じました。雰囲気だけ掴んでおきます。

2012年に行われた画像認識コンテストで、CNNを使ったモデルが圧勝したことで、ディープラーニングへの注目が一気に広まりました。

🗜️ VAEは「圧縮して、再現する」

VAE（Variational Autoencoder、変分オートエンコーダ）は、画像を圧縮して、また元に戻す仕組みです。

入力した画像を「特徴の塊」に圧縮して（エンコード）、その塊から画像を再構成する（デコード）。この往復を学習します。

ここで面白いのが、圧縮された「特徴の塊」を少しずらすと、元とは違う画像が出てくる点です。「犬っぽい特徴」と「猫っぽい特徴」のあいだをなめらかに移動させると、どちらでもあるような画像が生まれる。

これが「生成」の入口なんだ、と思ったとき、少し霧が晴れた気がしました。「変分」の意味はまだよくわかっていませんが。

⚔️ GANは「作る側」と「見抜く側」の対決

GAN（Generative Adversarial Network、敵対的生成ネットワーク）は、2つのネットワークを戦わせる仕組みです。

ひとつは「生成器」。偽の画像を作ります。もうひとつは「識別器」。本物か偽物かを見抜こうとします。

最初は粗い画像しか作れなかった生成器が、識別器に見抜かれ続けることで精度を上げていく。2014年に登場したGANは、画像生成の質を大きく変えた仕組みのひとつです。

「敵対的」という言葉が物騒に聞こえましたが、要は切磋琢磨ということみたいです。

🤷 今の画像生成AIとの関係

CNN・VAE・GANを一通り調べたところで、ふと気になりました。今自分が使っているGeminiは、これのどれなんだろう、と。

調べると、今の主流は「拡散モデル」と呼ばれる別の仕組みで、VAEやGANとはアプローチが異なるようです。ノイズから画像を少しずつ復元していく方法らしい。

結局、使っている仕組みとは違うものを調べていたことになります。

ただ、CNN・VAE・GANを知ったことで「画像生成AIがどういう発想から来ているか」の文脈は少し掴めた気がします。遠回りだったかもしれないけれど、ま、いっか。

練習問題

GANに登場する2つのネットワークの組み合わせとして正しいものはどれでしょう？

A. 圧縮器と展開器
B. 生成器と識別器
C. 学習器と記憶器
D. 入力層と出力層

正解は次回の冒頭で発表します。

あとがき

ここまで読んでくださり、ありがとうございます。

必死に略語を覚えようとしたのに、拡散レンズ！？違うの！？となりました。
なかなかまっすぐ歩かせてはもらえないようです。
のんびり歩いていきますよ〜。

「フォロー」や「スキ」をしていただけると励みになります！
今後ともよろしくお願いします！

※シリーズ一覧用のマガジンです。よければ〜