権利クリーンな画像を用いたクリエイティブ制作向け画像生成モデルの開発

本プロジェクトは、株式会社Preferred Networks（PFN）の2026年度夏季インターンシップで取り組んだ成果である。著作権が切れた画像や権利が放棄された画像だけを使い、テキストから画像を生成するモデルをゼロから学習した。クリエイティブ制作の現場では学習データの出所が問われやすいため、権利クリーンな画像で学習した、制作の現場で活用できる画像生成モデルの開発を目指した。

学習データには、パブリックドメインの画像約1,140万枚からなるPD12Mを用い、約6億パラメータのモデルを学習した。PD12Mだけで学習したモデルには、屋内の描写が弱いことと、白黒写真や版画のような画像になりやすいことの2つの課題があった。

1つ目の課題に対しては、3Dシーンを手続き的に生成するInfinigenで屋内画像を作り、学習データに加えた。2つ目の課題に対しては、現代の写真による事後学習を行った。その結果、学習した種類の部屋における屋内の指示追従の正答率は41.4%から58.3%に向上し、既存モデルと同程度になった。また、制作向けの機能として、スタイル転写と位置指定も試作した。

取り組みの詳細は、PFNテックブログの記事「権利クリーンな画像を用いたクリエイティブ制作向け画像生成モデルの開発」で公開している。