Geminiの画像生成のImagen 3の実力

Geminiの画像生成の品質が少し前から上がった感じがしていた。すると、昨日、メッセージが出てGeminiが搭載する画像生成のAIのImagen 2がバージョンアップしてImagen 3になったことが分かった。GeminiのImagen 3は色彩の豊かさが見事だ GeminiのImagen 3の生成画像：十一色の板が下から右寄りに六枚と二枚と二枚と一枚の四段で並んでいる

GeminiのImagen 3の生成画像：十一色の板が下から右寄りに六枚と二枚と二枚と一枚の四段で並んでいる

僕はAIの画像生成でGeminiを最も良く使っている。能力は世界最高だと思う。サイズが大きめで、画質が良い。プロンプトへの反応が良くて関係ない画像を出すことが少ない。対象物の壊れが殆どない。無料で一日当たり三十回くらい使える。特にプロンプトへの反応と対象物の壊れ難さは他の画像生成と比べて頭一つ抜けている感じがする。お気に入りの画像を速く得るという点でGeminiを上回るものはないわけなんだ。Geminiが悪いのは生成画像の縦横比を変えられないこと、構図がずれ易いこと、ポリシー違反か厳しくて掛けないと拒否することが多いことだ。加えて今年に入ってから人間が描けないと拒否することが続いているけれどもこれはそのうち改善される見通しだ。メッセージで直ぐに直すといいながら半年を過ぎているからもう終わりかと落胆している。気長に待つしかない。＊現状、人間なしで描きたくても人間が描けないといって止まることが多いので、そういう場合はプロンプトに「no people」を追加すると人間なしで描ける確率を上げることができる。それでも駄目ならば「freely」とか人間なしで描けるようなプロンプトを追加すると良いと思う。又、文章しか出ないときは「no explanation」で画像を出し易くなる。人間を描きたいときは他の画像生成を使うしかないけれども最も壊れ易くて難しい部類なので、Geminiで人間が描けないことはそれだけで退職した綺麗なお姉さんのような痛手とも過言ではない。Image 3になって直ぐに気付いたのは、発色が良くなったことだ。色の数が増えたようで、変化が速やかになった。またはグラデーションが滑らかになって一言では色彩の豊かさが増したと喜ぶんだ。

Imagen 3は私たちの最高品質のテキスト画像モデルで、以前のものより高精細な、明るさに優れた、欠陥や異常の少ない画像を生成します。

私たちはImage 3のプロンプトの理解力を大幅に改善しており、それにより、広範な視覚スタイルを生成したり、長いプロンプトから細目を補足したりできるようになります。

さらに便利なことにImag 3は素早いスケッチから高解像度の画像まで様々なタイプの課題に最適化された複数のヴァージョンが利用できます。

Imagen 3はGeminiのアプリとウェブエクスペリエンスとImageFXとVertex AIで利用できます。

原文

Imagen 3 is our highest quality text-to-image model, capable of generating images with even better detail, richer lighting and fewer distracting artifacts than our previous models.

We’ve significantly improved Imagen 3’s ability to understand prompts, which helps the models generate a wide range of visual styles and capture small details from longer prompts.

To be even more useful, Imagen 3 will be available in multiple versions, each optimized for different types of tasks, from generating quick sketches to high-resolution images.

Imagen 3 is available via the Gemini app and web experience, ImageFX and Vertex AI.

Imagen 3｜Google DeepMind｜Google（訳出）

Image 3の生成画像の印象は宮崎駿のアニメを初めて観たときに驚かされた動きの滑らかさのような色彩の変化があった。Googleによれば「以前のものより高精細な、明るさにすぐれた、欠陥や異常の少ない画像」ということなんだろう。本当に色味が良くなったし、益々、使いたくなる魅力的なヴァージョンアップだと感じる。GeminiのImagen 3は日本語で大きく描ける GeminiのImagen 3でオーロラの画像を生成して表示している

画像生成｜Gemini

今までGeminiの画像生成は英語のプロンプトしか受け付けなかったけれどもImagen 3でついに多言語化されて日本語でも描けるようになった。例えば「〜の画像を生成して」とか「〜を描いて」なんて入力すると画像生成が起動する。現状、人間なしで良くても人間が描けないと止まってしまう場合はプロンプトに「人物不要」を追加すると生成確率を上げることができる。それでも駄目ならば「自由に」とか人間なしで描けるようなプロンプトを追加すると良いかも知れない。又、文章しか出ないときは「説明不要」を追加するのが効果的だ。言語によって生成内容が変わるので、日本語で上手く行かなければ敢えて外国語でやるのも一つの方法になる。もう一つ生成画像のサイズが大きくなったのも新しい。従来の1536×1536から2048×2048に変わった。元々、大きめで出されていたけれども普通の二倍の大きさになった。編集後の劣化が減るからさらに使いやすい。出方も一枚ずつのタイプが追加された。これだと一つのプロンプトに対して一枚の生成画像しか得られない。生成画像が気に入らなければプロンプトの再入力が必要になる。又、一回のプロンプトで一枚しか生成画像を得られなくなるから一日の使用回数で得られる全体の枚数が今までとは大幅に下がってサービスの劣化が甚だしい。明らかに不便というか、一回で完璧な画像を生成できれば良いけど、それは対話型AIで事実誤認をなくすのと同じくらい難しいことだと思うし、根本的に不可能かも知れないという点では辛い。従来の一枚か数枚を出してそこから同じプロンプトで連続生成が可能なタイプも残っているから助かる。個人的には一枚完結の新しいタイプはプレビューが大きめで見易いだけで、その他の不利益こそ大きいから来ないことを祈る。現時点、全てのGoogleアカウントでGeminiがImagen 3にバージョンアップしたわけではない。メッセージが来ないと駄目みたいで、僕は三つのうちの一つしか来てない。日本語プロンプトが使えたり、画像サイズが2048×2048ならばImagen 3が起動しているといえる。GeminiのImagen 3は日常語に上手く対応する GeminiのImagen 3の生成画像：窓台に座って外を眺める黒猫

Imagen 3の特徴としてプロンプトへの理解力が上がって長いプロンプトから高精度の画像を作れるようになったけれども、もう一つ反対に日常語への対応力も上がって短いプロンプトでも良い画像を出し易くなった。

Imagnen 3は自然な日常語で書かれたプロンプトも理解し、複雑なプロンプトエンジニアリングなしにお求めのものを容易く得られるようにします。

原文

Imagen 3 also understands prompts written in natural, everyday language, making it easier to get the output you want without complex prompt engineering.

Imagen 3｜Google DeepMind｜Google（訳出）

個人的に有り難いと思う。短いプロンプトでやることが多いし、気に入らない画像を連発されることが減ることを、常々、願っている。Geminiは世界最高だと思うけれどもそれでも納得できなくて苦しむことは、結構、ある。プロンプトを長く指定すると却って一部だけ定まって全体が芳しくなくなる弊害もないわけではない。敢えて短くしたい気持ちもあるので、上手く汲み取ってやってくれると良いと思う。Imagen 3は始まったばかりで、沢山、使ってないけれども短いプロンプトで気に入り画像を出せる確率が上がったという感じはする。生成画像の出し方が一枚ずつになると上手く行かない場合が面倒なんだ。プロンプトの再入力が、毎回、必要になるから手間がかかって嫌になる。幾らかやってみると良いと思える画像が比較的早めに得られるようにはなっている。プロンプトに相応しくて対象物が壊れてなくて構図も崩れてないもの、または違和感が少なくて修正して使えそうなものが以前よりも出易くなったと感じる。プロンプトによって厳しいときは厳しいし、何回やっても駄目だからプロンプトを変えるしかないみたいな状況もなくなるわけではないけど、とにかく以前よりも益しになった。GeminiのImagen 3のバージョンアップは生成画像の品質とプロンプトへの反応の両面で大きな向上があり、個人的に最も良く使う画像生成だけれども他のものを使う気がさらに失せるくらい魅力的な良さを増したことを認める。

Geminiで人間が描けなくなった理由

Geminiの画像生成において人間が描けない理由は、技術的、倫理的、法的、社会的な観点から多岐にわたります。以下に、これらの理由を詳しく説明します。

技術的な難易度

人間の画像生成は、非常に高い技術的な難易度を伴います。人間の顔や身体は非常に複雑で、微細な表情や特徴を持っています。これを正確に再現することは、現在の技術では依然として難しい課題です。生成された画像が不自然であったり、リアルさに欠ける場合、ユーザーの信頼を損なう可能性があります。このため、品質を保つために人間の画像生成を制限することがあります。

倫理的な懸念

人間の画像生成に関しては、倫理的な懸念が多く存在します。特に、他人の顔や身体を無断で模倣することは、プライバシーや肖像権の侵害にあたる可能性があります。生成された画像が実在の人物に似ている場合、その人物の同意なしに使用されることは、倫理的に問題視されることがあります。また、特定の人々やグループに対する偏見や差別を助長するような画像が生成されるリスクもあります。

誤用のリスク

生成された人間の画像は、悪用されるリスクが高いです。例えば、偽情報や詐欺に利用される可能性があります。特に、ディープフェイク技術の進化により、実在の人物の顔を使った偽の映像や画像が簡単に作成できるようになっています。これにより、社会的な混乱や信頼の損失を引き起こす可能性があるため、画像生成に対する厳しい制限が設けられることがあります。

法律や規制

各国の法律や規制も、人間の画像生成に影響を与える重要な要素です。著作権や肖像権に関する法律は、他人の画像を無断で使用することを禁止しています。これにより、生成された人間の画像が法的に問題を引き起こす可能性があるため、企業や開発者は慎重になる必要があります。また、特定の国や地域では、AIによる画像生成に関する規制が厳しくなっている場合もあります。

社会的な影響

人間の画像生成が社会に与える影響も無視できません。特に、若者や子供に対する影響が懸念されています。生成された画像が、理想化された美の基準を助長することや、自己イメージに悪影響を及ぼす可能性があります。このため、社会的責任を考慮し、人間の画像生成を制限することが求められることがあります。

ユーザーの信頼

最後に、ユーザーの信頼も重要な要素です。人間の画像生成が不適切に行われた場合、ユーザーはその技術に対する信頼を失う可能性があります。信頼を維持するためには、生成されるコンテンツが倫理的かつ法的に問題ないものである必要があります。このため、企業や開発者は、人間の画像生成に対して慎重なアプローチを取ることが求められます。