1 歴史と発展
1.1 古典的手法（1990年代～2010年代初頭）
初期の画像生成はコンピュータグラフィックス（CG）のレンダリング技術に依存していた。フラクタルやL-systemによる手続き的生成、フォトショップなどの手動編集ツール、さらに物理シミュレーション（パーティクルシステム、流体）が主流であった。また、非写実的レンダリング（NPR）によるアート風画像の生成も研究されたが、いずれも明示的なルールや手動操作が必要で、自動生成の自由度は限られていた。
1.2 深層学習の台頭（2010年代後半）
2014年の敵対的生成ネットワーク（GAN）の登場が転機となった。GANは生成器と識別器の競合学習により、写真に近い画像を生成可能にした。さらに2017年のStyleGANでは高解像度でスタイル制御が可能となり、2018年のCycleGANでは教師なしの画像間変換が実現。一方、変分オートエンコーダ（VAE）や自己回帰モデル（PixelCNN）も並行して発展し、自然画像の分布学習が進んだ。
1.3 最新動向（2020年代）
2020年代に入り拡散モデルが台頭。DDPM（2020）が高品質生成を達成し、Stable Diffusion（2022）がオープンソースで広く利用された。また、TransformerベースのDALL-E（2021）やImagenがテキストからの生成でブレークスルーを起こし、CLIPによる言語と画像の結合が標準技術となった。現在はリアルタイム生成やマルチモーダル統合が活発に研究されている。
2 技術的基礎
2.1 生成モデルの種類
2.1.1 敵対的生成ネットワーク（GAN）
2.1.1.1 基本構造（GeneratorとDiscriminator）
GANはGenerator（生成器）とDiscriminator（識別器）の二つのニューラルネットワークからなる。Generatorはランダムノイズから偽画像を作り出し、Discriminatorは本物画像と偽画像を判別する。両者が互いに競い合うことで、Generatorは徐々に本物と見分けがつかない画像を生成できるようになる。損失関数はミニマックスゲームとして定式化される。
2.1.1.2 代表的なバリエーション（StyleGAN、CycleGAN）
StyleGANは中間潜在空間へのマッピングとノイズ注入により、画像のスタイル（顔の表情、肌の質感など）を階層的に制御可能にした。CycleGANは、ドメイン間のペアデータなしで画像変換を実現する。例えば、写真を油絵風に、または馬をシマウマに変換できる。サイクル一貫性損失を用いて元の画像に戻せることを学習する。
2.1.2 拡散モデル
2.1.2.1 順方向・逆方向の拡散過程
拡散モデルは、データに徐々にノイズを加える順方向過程と、ノイズからデータを復元する逆方向過程を用いる。順方向ではガウスノイズを段階的に付加し、最終的に純粋なノイズにする。逆方向では学習されたニューラルネットワークが各ステップでノイズを除去する。この過程は確率微分方程式で記述され、サンプリングには多数の反復ステップが必要だが、近年の高速化手法も登場している。
2.1.2.2 代表的実装（DDPM、Stable Diffusion）
DDPM（Denoising Diffusion Probabilistic Models）は、順方向で離散的な拡散過程を定義し、逆方向でU-Net構造を用いてノイズを予測する。Stable Diffusionは、潜在空間（Latent Space）で拡散過程を行うことで計算効率を大幅に向上させた。テキスト条件付けにはCLIPやTransformerを用い、一般ユーザーがGPUで実行可能な軽量モデルとして普及した。
2.1.3 自己回帰モデルとTransformer
2.1.3.1 PixelCNN、Image GPT
PixelCNNは画素を逐次的に生成する自己回帰モデルで、各画素をそれ以前の画素に条件づけて分布を学習する。Image GPTは、画像を画素の系列としてTransformerでモデル化し、大規模自己教師学習により高品質な画像生成を実現した。ただし計算コストが高く、近年は拡散モデルに取って代わられつつある。
2.1.3.2 VQ-VAEとDALL-Eシリーズ
VQ-VAE（Vector Quantized VAE）は画像を離散的なコードブックに量子化し、Transformerでその系列を学習する。DALL-EはこのVQ-VAEを基盤に、テキストから画像生成を実現。DALL-E 2ではCLIPと拡散モデルを組み合わせ、より高精細で多様な画像を生成可能にした。DALL-E 3ではさらなる品質向上と安全性対策が施されている。
2.2 訓練手法とデータセット
2.2.1 教師あり学習と教師なし学習
画像生成モデルの訓練には主に教師なし学習が用いられる。GANや拡散モデルは、ラベルなしの画像集合から分布を学習する。一方、テキストから画像への生成では、画像とキャプションのペアデータを用いた教師あり学習（対照学習や条件付き生成）が行われる。大規模事前学習とファインチューニングの組み合わせが一般的である。
2.2.2 大規模データセット（LAION-5Bなど）
LAION-5Bは50億枚以上の画像とテキストペアからなるオープンデータセットで、多くの画像生成モデルの学習に使われた。他にもCOCO、ImageNet、Conceptual Captionsなどが活用される。データセットのバイアスや著作権問題が指摘され、フィルタリングや合成データの利用も進んでいる。
3 主要な手法と応用
3.1 テキストから画像への生成（Text-to-Image）
3.1.1 プロンプトエンジニアリング
ユーザーが記述するテキスト（プロンプト）の語順や修飾語が生成結果に大きく影響する。適切なプロンプト設計（例：「高品質、光線効果、詳細な顔」）により意図した画像を得られる。ネガティブプロンプト（避けたい要素の指定）も一般的で、生成品質を制御する重要な技術である。
3.1.2 CLIPガイダンスと条件付け
CLIP（Contrastive Language-Image Pre-training）はテキストと画像の埋め込みを共通空間に写像する。拡散モデルでは、生成過程でCLIPのスコアをガイドとして用いることで、テキスト条件に沿った画像を生成する。Classifier-Free Guidance（CFG）は、条件付きスコアと無条件スコアを補間することで品質と多様性のバランスを取る。
3.2 画像から画像への変換（Image-to-Image）
3.2.1 スタイル転送
特定の画像のスタイル（筆致、色調）を別の画像に適用する。GANベースの手法（CycleGAN、AdaIN）や拡散モデルを用いた手法（InstructPix2Pix、Style Transfer via DDIM inversion）がある。近年はテキスト指示でスタイルを変更できる手法も普及している。
3.2.2 超解像と修復
低解像度画像を高解像度化する超解像処理や、欠損部分を補完する画像修復（inpainting）が行われる。拡散モデルはノイズ除去過程を利用して高品質な超解像を実現する。SR3、LDM-SRなどが代表的であり、医療画像や古写真の復元にも応用されている。
3.3 対話型・制御可能な生成
3.3.1 インペインティングとアウトペインティング
インペインティングは画像の指定領域を自然に補完する技術。ユーザーがマスクを指定し、モデルが周囲との整合性を保って生成する。アウトペインティングは画像の外側を拡張し、パノラマ画像や背景の拡大を可能にする。Stable Diffusionのinpainting機能が広く使われる。
3.3.2 スケッチベース生成
粗いスケッチや線画をもとに、色や質感を付加して完成画像を生成する。ControlNetやT2I-Adapterなどが拡散モデルに条件を追加する手法を提供し、ユーザーの意図を細かく反映できる。イラスト制作やデザインプロトタイプに有用である。
4 応用分野
4.1 クリエイティブ産業
4.1.1 ゲーム・アニメ・映画のアセット制作
背景、キャラクター、テクスチャなどの制作工程で画像生成が活用される。コンセプトアートの迅速な生成や、テクスチャのバリエーション作成に効果的。ゲーム開発ではアセットの量産が可能になり、制作コスト削減に寄与する。
4.1.2 グラフィックデザインと広告
ロゴ、ポスター、バナーなどのデザイン案を自動生成。テキストから複数のデザイン案を提示し、人間のデザイナーが微調整するワークフローが広がっている。広告キャンペーンへの応用も進み、パーソナライズされたビジュアルを大量に生成できる。
4.2 科学研究と医療
4.2.1 創薬における分子構造の可視化
分子の三次元構造や結合ポケットの画像を生成し、薬剤設計の仮説検証に利用。GANや拡散モデルが新しい分子構造を生成する研究も行われている。視覚的な理解を助けるだけでなく、候補化合物の探索にも貢献する。
4.2.2 医療画像の合成と診断支援
MRIやCTの画像を合成し、データ拡張やプライバシー保護に活用。また、病変の疑似画像を生成して診断モデルの訓練に用いる。ただし、臨床応用には品質保証とバイアス対策が不可欠であり、現在は研究段階が中心である。
4.3 教育とコミュニケーション
4.3.1 教材・プレゼンテーション用ビジュアル
教科書やスライドの挿絵、概念図をテキストから即座に生成できる。教育現場では複雑な現象の視覚化に役立ち、特にSTEM分野での利用が期待される。ただし著作権や正確性の確認が必要である。
4.3.2 ソーシャルメディアコンテンツの自動生成
個人や企業がSNS投稿用の画像を簡単に作成できる。プロフィール画像、バナー、イベント告知など様々な用途に利用される。生成AIの普及により、非デザイナーでも高品質なビジュアルコンテンツを制作可能になった。
5 倫理的・法的課題
5.1 著作権と所有権
5.1.1 生成物の著作権帰属問題
AIが生成した画像の著作権を誰が保有するかは明確でない。多くの国の法律では、人間の創作性が必要とされ、AI単独の生成物は著作権の対象外とされる場合がある。一方、ユーザーがプロンプトを工夫した場合の扱いも議論中である。
5.1.2 学習データのライセンスとフェアユース
大規模データセットにはWebから収集された著作物が含まれ、その利用が著作権侵害にあたるか問題となっている。フェアユースの範囲や、オプトアウト（学習拒否）の仕組み、データセットのクリーンアップが進められている。訴訟も発生しており、法整備が急務である。
5.2 悪用のリスク
5.2.1 偽情報・ディープフェイク
生成画像を悪用したフェイクニュースや詐欺が問題に。特に有名人の顔を無断使用したディープフェイクは社会的な影響が大きい。検出技術の開発と同時に、ユーザーのメディアリテラシー向上も必要である。
5.2.2 差別や偏見の増幅
訓練データに含まれる人種、性別、年齢などの偏りが生成画像に反映される。例えば特定の職業を特定の性別で描くなどのステレオタイプが強化される可能性がある。データのバランス調整やバイアス除去手法の研究が行われている。
5.3 規制とガイドライン
5.3.1 各国の法規制動向
EUのAI法では、生成AIに透明性要件（生成物であることの開示）を課す方向。中国ではアルゴリズム管理規定でコンテンツ規制を強化。米国では業界自主規制が中心だが、大統領令でAI安全性への取り組みが指示されている。日本では著作権法の見直し議論が進む。
5.3.2 業界自主規制（コンテンツウォーターマーク等）
OpenAI、Google、Metaなどが生成物に不可視の透かし（ウォーターマーク）を埋め込む技術を導入。また、C2PA（Content Provenance and Authenticity）などの標準化団体が生成履歴を追跡する仕組みを提案。プラットフォーム側でAI生成ラベルを表示する取り組みも広がっている。
6 将来展望
6.1 リアルタイム生成と対話的AI
現在のモデルは生成に数秒かかるが、専用ハードウェアやモデル軽量化によりリアルタイム生成が可能になりつつある。ライブ配信やインタラクティブなアート制作、ゲーム内の動的な画像生成への応用が期待される。ユーザーの操作に即座に応答する対話的AIが実現すれば、創作体験が大きく変わる。
6.2 マルチモーダル統合
テキスト、画像、音声、動画を一つのモデルで扱うマルチモーダルAIが進展。画像生成も単体の出力ではなく、入力に応じて複数モダリティを組み合わせた生成（例：テキストと音声から動画を生成）へ発展する。また、3DシーンやVRコンテンツの生成にも展開が予想される。
6.3 持続可能性とモデル効率化
大規模モデルの学習と推論には膨大な電力が必要であり、環境負荷が問題視されている。蒸留、プルーニング、量子化などの軽量化技術、またより少ないデータで学習できる手法の研究が進む。オープンソースモデルや分散学習の活用も含め、持続可能なAI開発が求められる。