AI画像の崩れた手と顔を直す：本当に効く方法

フレームの中はすべて美しいのに、手だけが違う。指が5本半あって、親指が逆を向いている。あるいは、顔は素敵なのに、あなたのキャラクターの顔ではない。これは拡散型の画像モデルの典型的な2つの失敗で、形容詞を工夫しても消えません。そして実践的な対処法は、多くの人が最初に試すものとは違います。

手が難しい理由

拡散モデルには骨格がありません。手には4本の指と1本の親指があること、指同士は交差しないこと、手首はちょうど1つの手につながっていることを知りません。知っているのは、膨大な数の画像の中で手がどう見えるかであり、その統計的な雰囲気を持つものを再構成しているのです。

手は、このやり方にとって、あらゆる面で同時に最悪のケースです。フレームの中で小さいので、モデルの注意の配分をいちばん受けにくい。しょっちゅう自分自身で隠れてしまう。ポーズのバリエーションがきわめて多いので、モデルが見てきたすべての手の平均は、指の本数がはっきりしないぼやけたものになる。そして私たちは、おかしな手を見つけるのが非常に得意です。同じ画像でも、肘が少しおかしいくらいなら問題なく見えてしまうのに。

顔の失敗は種類が違います。顔は説得力をもってレンダリングされますが、毎回単に別の顔になります。テキストのプロンプトには、同一性を固定するものが何もないからです。「黒髪の30代の女性」は100万人に当てはまり、生成するたびに別の人が出てきます。

問題を構図でフレームの外に出す

いちばん手っ取り早い対処法は、技術ではなく構図です。手に、手が隠れるような役割を与えるか、完全にフレームの外に出しましょう。

マグカップを持つ手、ポケットに入れた手、ストラップを握る手、背中に回した手、肘から下をトリミングで切った構図。どれも、画を損なわずに失敗のパターンだけを取り除きます。コストはかかりません。使えるポートレートは、使えるポートレートです。

30代前半の女性がカフェのカウンターにもたれ、温かいマグカップを両手で包み込んでいる。黒髪はかき上げられている。胸の高さから、やわらかなポートレートレンズでf/1.4で撮影。左からの窓明かり、静かな午前遅くの雰囲気。

このプロンプトにも手は登場しますが、しっかりした物体を相手に、ひと目でわかることを1つだけしています。「話しながら身振り手振りをする女性」と比べてみてください。こちらは、7本指をレンダリングしてくださいと言っているようなものです。

実際に使える2つのダイヤル

3つの画像モデル（Image One、Image Anime、Image Art）はいずれも、ネガティブプロンプトとCFGスケール（スタジオでは「プロンプトの強さ」）を受け付けます。これこそが本当のコントロールです。

人体の構造について書くべき場所は、ネガティブプロンプトです。「extra fingers, fused fingers, deformed hands, extra limbs, distorted face」（余分な指、くっついた指、変形した手、余分な手足、歪んだ顔）は退屈ですが、どれだけポジティブな描写を重ねるよりも効きます。ある領域に着地することを願うのではなく、ある領域から遠ざけるからです。

CFGは1〜20の範囲で、モデルがテキストにどれだけ忠実に従うかを決めます。低い値では自由にさまよい、見た目が良くなることもよくあります。高い値では指示に従いますが、硬く、焼きすぎたような見た目になりがちです。プロンプトが無視されているなら、少し上げましょう。画像がギトギトしてプラスチックのように見えるなら、下げましょう。正しい値というものはなく、そのプロンプトに合う値があるだけです。

顔を保つのは参照写真

テキストでは同一性を固定できません。参照画像ならできます。最大4枚まで添付すれば、レンダリングをまたいでも、ひと目で同じとわかる顔が返ってきます。

頼りにする前に、知っておきたい挙動が2つあります。参照がちょうど1枚の場合、エンジンはその写真を軸にした編集処理に切り替わります。これこそが同一性を保つ仕組みであり、同時に、元の写真がフレームを決めるため、そのレンダリングでは選んだアスペクト比が無視される理由でもあります。参照が2枚以上の場合は、結果を決めるのではなく方向づける役割になり、選んだフォーマットが通常どおり適用されます。

1回のレンダリングではなく、撮影全体を通して同じ顔が必要なら、一度キャラクターを作りましょう。キャラクターは名前、ペルソナ、参照写真を持ち、プロンプトの中で@メンションするだけで呼び出せます。同じキャストは動画スタジオでも使えます。

4枚一括生成して、1枚を残す

手に対する正直なワークフローは、数で勝負することです。画像は1枚10クレジットで、一括生成は最大4枚まで。送信した時点でバッチ全体が課金されるので、4枚のバッチなら40クレジットの課金が1回です。レンダリング自体に失敗したテイクは、1枚ずつ自動で返金されます。同じプロンプトで4回生成すれば、たいていは少なくとも1組のきれいな手が得られ、ベストを選ぶのは5秒で済みます。

エントリーパックの単価なら、選べるセット1組でおよそ$0.40です。予算は画像の枚数ではなくテイク数で考えましょう。計算の詳細は、クレジットを無駄にせずテイクを一括生成する方法にあります。

一括生成を価値あるものにするルールが2つあります。バッチとバッチのあいだで変えるのは、ちょうど1か所だけにすること。そうしないと、何が効いたのかわかりません。そして、ネガティブプロンプトは3回目のバッチのあとではなく、最初のバッチの前に書くこと。人体の構造に最も大きく効き、設定するコストが最も小さい変数だからです。

修復の工程はない。だから再レンダリング前提で計画する

ほかのガイドが目立たないところに埋めている話をしましょう。ここにはインペインティングもアップスケーラーもフェイススワップもありません。おかしな手を選択して、その部分だけを再生成することはできないのです。欠点のある画像を参照として添付すると、それをもとにフレーム全体が再レンダリングされます。これは修復ではなく、新しいテイクです。崩れた手を直す方法は、毎回、もう一度レンダリングすることです。

これがワークフロー全体を形づくります。あとで直すのではなく守りの構図で撮り、1回の生成を完璧にするのではなく一括生成し、レシピを残しておく、ということです。すべてのレンダリングは設定ごと自動でライブラリに保存され、リミックスを押すとそのレシピがツールに読み込まれるので、1語だけ変えてもう一度生成できます。eroqの画像にはシードがないので、保存されたレシピそのものが再現性の仕組みです。メモしておく数字ではありません。

画像に本当にレタッチが必要なら、ダウンロードして、手持ちのツールでレタッチしましょう。それは妥当な答えであり、プロンプトでなんとかなるふりをするよりも誠実です。

画像スタジオを開いて、次のプロンプトを、しっかりしたネガティブプロンプト付きの4枚一括生成で試してみましょう。

よくある質問

ネガティブプロンプトで本当に手は直りますか？

入力できるものの中では、いちばん効果があります。描写でなんとか切り抜けようとするのではなく、崩れた人体の構造が生まれる領域からモデルを遠ざけるからです。期待できるのはバッチ全体での当たり率の向上であって、1枚ごとの成功を保証するものではありません。手にはっきりした役割を1つ与える構図と組み合わせましょう。

同じプロンプトなのに、レンダリングごとに顔が変わるのはなぜですか？

テキストでは同一性を固定できないからです。プロンプトが説明しているのは人物の「カテゴリー」で、モデルは毎回そのカテゴリーから別の人を選びます。参照写真を添付するか、参照写真付きのキャラクターを作れば、一貫した顔が返ってきます。ここで顔を保てる仕組みは、それだけです。

eroqの中でレンダリング結果をアップスケールしたりレタッチしたりできますか？

できません。アップスケーラーもインペインティングもフェイススワップもないので、欠点のあるレンダリングは、部分的に修正するのではなく、もう一度レンダリングして直します。画像を参照として戻すと、それをもとに新しいテイクが生まれますが、これは別物です。本当に修復が必要なら、ファイルをダウンロードして、自分の編集ソフトでレタッチしてください。

使える画像1枚につき、何テイク分の予算を見ておくべきですか？

手が関わるものなら、実用的な標準は4テイクです。一括生成が4枚までなのもそのためです。1枚10クレジットなら、選べるセット1組で40クレジット。バッチ内の失敗は自動で返金されます。手がフレームに入らないシンプルなポートレートなら、たいていは1〜2テイクで十分です。