画像生成AIの全体像：画像を「つくる」AIはどう進化してきたか｜生成AIのしくみ 第8回

生成モデルの基本の考え方：「分布」を学ぶ

第1回で、生成AIは「見分ける」の逆をやっていると説明しました。画像の場合、生成モデルが学ぶのは、学習した大量の画像が、どんなふうに散らばっているか（分布）です。

たとえるなら、日本中の人の身長と体重を記録して、「この範囲によくいる」という地図をつくるようなものです。地図ができれば、「よくいそうな、でも実在しない架空の人」の身長と体重を、地図に従って1組取り出せます。画像生成AIも同じで、「猫の写真によくある画素の並び方」の地図を学び、そこから実在しない新しい猫の写真を取り出します。ただし、画像の地図は79万次元という、想像を超える広さです。この地図をどう学び、どう取り出すか。その方法の違いが、VAE・GAN・拡散モデルの違いです。

画像生成AIの3つの系譜

主な手法を、登場した順に並べると次のようになります。

VAE：圧縮と復元で「要約の空間」を学ぶ

VAEは、2つのネットワークを組み合わせた仕組みです。

1. エンコーダー（圧縮役）：画像を、数百個程度の数値の「要約」に圧縮する
2. デコーダー（復元役）：要約から、元の画像を復元する

学習では、「圧縮して復元したら、元の画像に近くなる」ように両方を鍛えます。同時に、要約の空間がなめらかで、すき間のない地図になるような工夫を入れます。こうすると、学習後は、要約の空間から適当な点を選んでデコーダーに渡すだけで、新しい画像をつくれるようになります。

VAEの弱点は、出てくる画像がぼやけやすいことでした。ただし、VAEの「画像を小さな要約の空間に圧縮する」という考え方は、後で見る現在の画像生成AIの中で、重要な部品として生き続けています。

GAN：偽造者と鑑定士の競争

2014年にイアン・グッドフェローらが発表したGANは、画像生成の質を一気に引き上げました。偽札をつくる「偽造者」と、偽札を見破る「鑑定士」を競わせる、という発想です。偽造者は鑑定士をだませるように腕を上げ、鑑定士は見破れるように目を肥やす。このいたちごっこの末に、偽造者は本物そっくりの画像をつくれるようになります。

GANは、2010年代後半に、実在しない人物の顔写真をつくれるほどの品質に到達し、大きな話題になりました。一方で、学習が不安定になりやすく、似た画像ばかり出るようになる問題もありました。詳しくは第9回で扱います。

拡散モデル：ノイズから絵を浮かび上がらせる

拡散モデルは、「きれいな画像に少しずつノイズを加えていくと、最後は完全なノイズになる。その逆の手順を学べば、ノイズから画像をつくれる」という発想の手法です。2020年に発表されたDDPMという研究で高品質な画像が得られることが示され、その後、画像生成の主流になりました。詳しくは第10回で扱います。

現在の主流：潜在空間での拡散と、言葉による指定

2026年11月時点で広く使われている画像生成AIの多くは、ここまでの系譜を組み合わせた構成をとっています。代表的なのが、2021年12月に論文が公開された「潜在拡散モデル（Latent Diffusion Model）」の考え方で、Stable Diffusionはこの研究をもとに公開されたモデルです。

潜在拡散モデルの構成は、ざっくり次の3つの部品でできています。

1. 画像の圧縮・復元役（VAEの仲間）：大きな画像を、小さな「潜在空間（要約の空間）」の表現に圧縮し、最後に元の大きさに戻す
2. 拡散モデル：画像そのものではなく、小さな潜在空間の中で、ノイズから要約を少しずつ復元する
3. 言葉の理解役（テキストエンコーダー）：「夕暮れの海辺を歩く犬」という指示を埋め込み（ベクトル）に変換し、拡散モデルに「どんな画像をつくるか」の手がかりとして渡す

大きな画像そのものではなく、小さな要約の空間で拡散の計算を行うことで、必要な計算量を大きく減らせたのがポイントです。これにより、一般的なGPUでも高品質な画像を生成できるようになり、画像生成AIが一気に広がりました。

言葉の理解役には、第3回で見た埋め込みの考え方が使われています。特に、画像と文章を同じ地図の上に並べる「CLIP」という技術が、言葉と画像を結びつけるうえで大きな役割を果たしました（第10回で扱います）。

もう一歩深く
最近は、拡散モデルの中の部品として、第4回で見たTransformerを使う構成（Diffusion Transformerなど）も広く使われています。画像を小さなパッチ（区画）に分け、それをトークンのように扱って注意機構で処理する考え方です。文章のLLMで大規模化の効果が確認されたTransformerを画像生成にも使うことで、モデルを大きくしたときの性能の伸びが期待されています。また、拡散モデル以外に、画像をトークンの列として扱い、LLMのように1トークンずつ予測して画像を生成する方式も研究・実用化されています。

この記事の監修者に相談できます

監修者の田中磨生が代表を務める株式会社Abinで、ご相談をお受けしています。

相談無料ツギノテ編集部に相談する→

画像生成AIで何ができるか

画像生成AIの使い方は、「言葉から画像をつくる」以外にも広がっています。

よくある誤解：画像生成AIは、ネット上の画像を検索して切り貼りしている

画像生成AIは、学習した分布から新しい画像を生成しているので、基本的には検索して切り貼りしているわけではありません。ただし、学習データに何度も出てくる有名な画像やキャラクターに非常に近い画像が出力されてしまうことはありえます。この点が、第12回で扱う著作権の議論につながります。

実務ではこう使う：画像生成AIを選ぶ・使うときの観点

• 商用利用の条件を確認する：サービスごとに、生成画像を商用で使ってよいか、どの範囲で使えるかの規約が異なります。必ず最新の利用規約を確認します。
• 既存の作品やブランドに似せない：特定の作品・キャラクター・ロゴに似せる指示は、権利侵害のリスクを高めます（文化庁の整理では、作風などアイデアが似ているだけでは著作権侵害の「類似性」は認められないとされていますが、具体的な表現が似れば問題になりえます）。
• 人の目で最終確認する：手の指の本数、文字のゆがみ、不自然な影など、画像生成AI特有の崩れがないかを確認します（近年のモデルでは大きく改善していますが、ゼロではありません）。
• 用途に合ったツールを選ぶ：イラスト、写真風、デザイン素材、動画など、ツールごとに得意分野が異なります。

動画まで含めた生成ツールの選び方は、AI動画生成ツールのおすすめ比較も参考にしてください。

この回のまとめ

• 画像は数十万〜数百万個の数値の表。意味のある画像は、あり得る組み合わせのごく一部にしかない。
• 画像生成AIは、学習した画像の分布を学び、そこから新しい画像を取り出す。
• 主な系譜はVAE（圧縮と復元）、GAN（偽造者と鑑定士の競争）、拡散モデル（ノイズから復元）の3つ。
• 現在の主流は、要約の空間（潜在空間）で拡散を行い、言葉の理解役で指示を反映する構成。Transformerを部品に使う構成も広がっている。
• 生成画像の商用利用条件や権利、崩れのチェックは、使う側の責任で確認する。

確認テスト

次回予告

第9回では、画像生成の質を一気に引き上げたGANを詳しく見ていきます。偽造者と鑑定士の「いたちごっこ」はどう進むのか。なぜ学習が不安定になるのか。実在しない顔写真をつくったStyleGANまで、仕組みと歴史を追いましょう。

参考資料

• Kingma, D. P., Welling, M. “Auto-Encoding Variational Bayes.” arXiv:1312.6114, 2013.（確認日：2026年11月12日）
• Goodfellow, I. et al. “Generative Adversarial Networks.” arXiv:1406.2661, 2014.（確認日：2026年11月12日）
• Sohl-Dickstein, J. et al. “Deep Unsupervised Learning using Nonequilibrium Thermodynamics.” arXiv:1503.03585, 2015.（確認日：2026年11月12日）
• Ho, J., Jain, A., Abbeel, P. “Denoising Diffusion Probabilistic Models.” arXiv:2006.11239, 2020.（確認日：2026年11月12日）
• Rombach, R. et al. “High-Resolution Image Synthesis with Latent Diffusion Models.” arXiv:2112.10752, 2021.（確認日：2026年11月12日）
• Peebles, W., Xie, S. “Scalable Diffusion Models with Transformers.” arXiv:2212.09748, 2022.（確認日：2026年11月12日）