目次
１．導入
Googleは8月、画像生成モデル「Imagen」の最新版である「Imagen3」を発表しました。
テキストから画像を生成するモデルは複雑なプロンプトへの対応が課題の一つとされていましたが、このImagen3はその点で優れた性能を発揮しているようです。
この記事ではGoogleの最新画像生成モデル「Imagen3」を紹介したいと思います。
２．画像生成モデルとは
画像生成モデルとはユーザーが入力した文章（プロンプト）に基づいてAIが自動で画像を生成するという大規模言語モデル（LLM）です。代表的なものではOpenAIのDALL-EシリーズやMidjourney、Stable Diffusionなどがあります。
３．Imagen3の優れた性能
-
画質
Imagen3は非常にリアルな画像を生成してくれます。具体的には1024×1024ピクセルの高解像度の画像を生成することができ、アップサンプリング技術を使えばさらに解像度を向上させることができます。
（HD、ハイビジョンと呼ばれる画像は1280×720ピクセル）
※アップサンプリング技術…特にテキストから画像を生成するAIモデルや、既存の画像をさらに高品質に加工したい場合に利用されます。Imagen3では、1024×1024ピクセルで生成された画像を、アップサンプリングによって2倍、4倍、8倍にまで解像度を引き上げることが可能です
-
複雑なプロンプトへの対応
このグラフは、３つの画像生成モデルを評価するベンチマークでImagen3と主要な他の画像生成モデルを評価したものです。
ここではユーザーが入力したプロンプトと出力された画像がどれだけ一致しているかを数値化して評価しています。Imagen3は従来のモデルと比較しても優れた性能を発揮しているといえるでしょう。
-
総合的な評価
Imagen3はこの他にも「ものの数の表現の正確性」、「視覚的な魅力」、「ユーザー満足度」などの評価で高い性能を証明しています。
４．技術的背景とトレーニングデータ
Imagen 3の高性能を支えるのは、その厳密なトレーニングプロセスにあります。モデルは、AI生成画像や低品質な画像を排除し、類似した画像を重みづけ調整するなどのフィルタリングを施された大規模なデータセットでトレーニングされています。また、合成キャプションを生成してデータの言語的多様性を確保し、プロンプトに対応する能力をさらに高めています。このデータ管理の徹底ぶりが、Imagen 3の優れた画像生成力に寄与しています。
５．社会的影響とリスク管理
AIによる画像生成技術には、クリエイティブな分野での可能性が広がる一方で、いくつかのリスクも伴います。例えば、生成された画像が意図せずに有害な内容を含む可能性や、特定のジェンダーや人種に関する偏見が増幅されるリスクが挙げられます。これに対して、Imagen 3はトレーニングデータの段階から厳密なフィルタリングを行い、またモデルの出力に対してもポストトレーニングの段階で安全性を確保する取り組みを行っています。Google DeepMindの専門チームがモデルの安全性を評価し、公開前にはレッドチーミングなどのリスク評価も実施されており、社会的に責任ある技術開発が進められています。
６．結論
Imagen 3は、テキストから画像生成技術の分野で新たなスタンダードを確立するモデルです。フォトリアリズムの表現力、複雑なプロンプトへの対応力、そして安全性への配慮において、他のモデルを凌駕する性能を発揮しています。今後、この技術がさまざまな分野でどのように活用されるかが注目されると同時に、AI技術が社会に与える影響についても、引き続き慎重な検討が必要です。