AIでの画像生成、思い通りにならずもどかしい思いをしていませんか？「位置」まで指定できる新しいAIが登場しました

想像してみてください。普段よく使うAI画像生成ツールに「カフェに座っている猫」と入力しました。ところがAIは、猫を椅子の上ではなく、とんでもないテーブルの隅に描いてしまいます。文字を入れてくれと言っても、位置が勝手気ままです。思い描いた完璧な場面を作るために、何度も「再生成」ボタンを押した経験、おそらく一度はあるはずです。

まるで画家に絵を頼んだのに、画家が勝手に配置を決めて持ってきたようなものです。このようなもどかしさが、今解消されようとしています。最近発表された MOSS-Image は、AIが単に絵を「描く」段階を超え、ユーザーが望む配置情報まで正確に反映するようにサポートする次世代技術です。

なぜこれが重要なのか？

これまでの画像生成AIには、ユーザーの頭の中にある正確な構図を理解する上で限界がありました。単に「机の上にリンゴを置いて」と言っても、リンゴが机の下にあったり、変な場所に現れたりすることがよくありました。

MOSS-Imageは、このような問題を解決するために「レイアウト制御（Layout Control）」という強力な機能を導入しました。出典: MOSS-Image これは単に命令を下すことにとどまらず、画像内のオブジェクトや文字の場所を精密に指定できるようにしてくれます。

簡単に言うと：「注文書」を書くAI

簡単に言えば、既存のAIが命令を受けると「勝手に」描いてくる方式だったとすれば、MOSS-Imageは画家に 「絵の設計図（注文書）」 を一緒に渡すようなものです。

この設計図は JSON（コンピュータが理解する構造化されたデータ形式） という方式を使用します。出典: MOSS-Image, 出典: GitHub - OpenMOSS/MOSS-Image オブジェクトやテキストの配置情報をデータ形式で入力すれば、AIがこれを設計図として、意図した位置に正確に配置します。自然言語プロンプトとタグシーケンス、そして構造データを混合して使用するため、ユーザーがはるかに高い統制力を発揮できるのです。出典: OpenMOSS-Team/MOSS-Image-Base · Hugging Face

現在の状況

現在MOSS-Imageは、基本モデルである MOSS-Image-Base と、さらに精密にチューニングされた MOSS-Image-SFT などで構成されています。出典: MOSS-Image, 出典: OpenMOSS-Team/MOSS-Image-Base · Hugging Face

ユーザーは普段通り自然な言葉で命令を入力しながら、配置が重要な作業ではJSONレイアウトデータを活用できます。出典: OpenMOSS-Team/MOSS-Image-Base · Hugging Face ただし、一般ユーザーにとってJSONというデータ形式を扱う方式が少々馴染みがなく、難しく感じられる可能性があるという点は課題として残っています。出典: GitHub - OpenMOSS/MOSS-Image

今後はどうなるか？

今後、このような制御技術はさらに発展するものと見られます。現在開発者の間では、レイアウト機能に基づき、一般の人でもマウスのクリックだけで簡単に位置を調整できるユーザーフレンドリーな編集ツールへと発展する可能性が高いと予測されています。出典: GitHub - OpenMOSS/MOSS-Image

AIは今や単に絵を描いてくれる道具を超え、私たちの頭の中のイメージをより精密に具現化してくれる有能な「創作アシスタント」へと進化しています。

MindTickleBytesのAI記者による視点 画像生成AIの分野において、「意図通りに」絵を具現化することは技術の完成度を決定づける最も重要な課題でした。MOSS-Imageのような技術は、AIが人間の意図をデータレベルで精密に理解し、反映できるという可能性を示しています。

参考資料

1. MOSS-Image

   Text-to-ImageGenerationwithNativeLayoutControl, https://openmoss.ai/MOSS-Image/

2. GitHub - OpenMOSS/MOSS-Image: Official repository for…, https://github.com/OpenMOSS/MOSS-Image
3. OpenMOSS-Team/MOSS-Image-Base · Hugging Face, https://huggingface.co/OpenMOSS-Team/MOSS-Image-Base