GPT Image 2.5なら余裕だと思ってた。人物素材を高精細化して分かった「本人性」の難しさ
GPT Image 2.5が実装されました。
画像生成AIを仕事で使っている身としては、当然気になります。
人物の一貫性や画像編集性能もさらに強くなったらしい。
GPT Image 2.5 SUGEEEEEEEEEEの予感。
最近の画像生成AIは、状態の良い人物写真を参照させれば、本人性をかなり維持したまま編集できるようになっています。
ポーズを変える。
服の色を変える。
写っていない部分を生成拡張する。
そんな、元画像をかなり大胆に変更する処理でも、「ちゃんとこの人だ」と思える結果が出ることが増えてきました。
そんなタイミングで、仕事で人物素材をもう少し高精細にしたい場面がありました。
画像サイズはフルHD。
ポーズも、服装も、背景も、構図も変える必要はありません。
やりたいことは、
「本人のまま、より鮮明にしたい」
それだけ。
もっと大掛かりな編集ができる時代です。
しかも実装されたばかりのGPT Image 2.5。
だったら、
何も変えずに綺麗にするくらい余裕なのでは?
そう思って始めました。
結果から言うと、
私はその数時間後、最新高性能モデルが生成した親指を凝視していました。
どうしてこうなった。
※今回の検証には実案件の支給素材を使用しているため、元画像および生成結果は掲載していません。この記事では、実際に試した条件と結果を文章で紹介します。
最初は「SUGEEEEEEEEEE!」だった
まずはCodexで、元画像をもとに高精細化してみました。
生成された画像を見た第一印象は、
「おおおお、綺麗!!!」
髪や肌、服など、元画像では確認しづらかった細かな部分まで自然に描かれています。
これなら普通に使えるのでは?
と思ったのですが、元画像と生成画像を並べてじっくり見比べてみると、少し印象が変わりました。
似ている。
ものすごく似ている。
でも、
ほんの少しだけ別人っぽい。
目元なのか、口元なのか、頬のラインなのか。
「ここが決定的に違う」と言えるほどではないのに、本人と比較すると確かに何かが違う。
ここで最初の気づきがありました。
「高画質になった」と「本人性が維持された」は、別の評価軸なんだ。
「本人性最優先」と徹底的に指定してみる
今回は実在する人物の素材です。
「綺麗になったけど、よく似た別人になりました」では困ります。
そこで次は、指示そのものをかなり厳密にすることにしました。
Astraに元画像を分析してもらい、
「本人性を最優先で維持するための要件定義」
を作成。
優先順位も、
本人性 > 顔の形状 > 表情 > ポーズ・服装 > ノイズ除去 > ディテール復元 > 解像度
と明確にしました。
目、眉、鼻、口、輪郭、それぞれの形や位置関係を維持。
髪型、年齢感、体型、服装、ポーズも変更しない。
さらに、元画像から確認できないディテールを積極的に作らないよう指定。
かなり細かく制約しました。
これならいけるだろう。
と思ったのですが、
それでも本人性を完全には固定できませんでした。
どうやら「プロンプトを詳しく書けば解決」という単純な話でもなさそうです。
フルHDなのに、なぜ今回は難しかった?
ここで今回の素材について、ひとつ重要なポイントがあります。
元画像は、サイズとしてはフルHDです。
小さな画像を無理やり巨大化しようとしていたわけではありません。
それなのに、なぜ本人性の維持に苦労したのか。
今回改めて実感したのが、
画像全体の解像度と、その人物についてAIが参照できる情報量は別物
だということでした。
同じ1920×1080の画像でも、人物が画面内で占める大きさや撮影条件、映像から切り出したフレームの状態などによって、人物の細かな特徴をどこまで確認できるかは変わります。
目があることは分かる。
鼻や口の位置も分かる。
大まかな輪郭も分かる。
でも、
「この人固有の目元は、細かく見ると正確にはどうなっているのか」
まで十分に読み取れるとは限りません。
ここが、普段行っている生成編集との大きな違いだったのだと思います。
「何も変えない」の方が難しいことがある
普段、ディテールのはっきりした人物写真を使って、
ポーズを変更する。
服の色を変更する。
画像の外側を生成拡張する。
といった編集をすることがあります。
一見すると、今回よりずっと難しそうです。
ところが最近のモデルでは、こうした大胆な編集でも本人性がかなり維持されることがあります。
一方、今回は、
何も変えず、ただ鮮明にしたい。
それなのに難しい。
なぜなのか。
状態の良い参照写真には、
「この人の顔はこうです」という答えが、最初からかなり入っている
からではないかと思います。
AIは本人の顔を十分に参照したうえで、服やポーズなど変更された部分を生成できます。
ところが元画像から細かな特徴を十分に確認できない場合、高精細な画像を作るには、AIが不足した情報を補わなければなりません。
つまり生成による高精細化には、
「元画像を鮮明にする」だけではなく、「見えないディテールを推測して作る」
工程が含まれます。
「よく似た別人」はどうやって生まれるのか
たとえば元画像から、目の大まかな形は確認できたとします。
でも高精細な出力では、まぶたの細かなラインや瞳の輪郭、目元の皮膚など、さらに細かな情報まで描かなければなりません。
元画像にその情報が十分残っていなければ、AIは推測して補完します。
「おそらく、この目ならこうだろう」
「この輪郭なら、頬はこうだろう」
ひとつひとつは、とても自然です。
でも、
目元で少し。
鼻で少し。
口元で少し。
輪郭で少し。
本人とは違う推測が積み重なったらどうなるか。
「ものすごくよく似た、高画質な別人」
が完成します。
だから「本人性を維持して」「顔を変えないで」とプロンプトに何度書いても、完全には防げない場合があります。
AIが指示を無視しているというより、
元画像から正解を読み取れない部分については、AIにも正解が分からない。
プロンプトは、画像の中に残っていない情報そのものを取り戻す魔法ではありません。
これは今回、かなり大きな学びでした。
同じGPT Image 2.5でも結果が違った
ここから、だんだん仕事というより実験になってきました。
最初はCodexで試しましたが、
「同じGPT Image 2.5でも、使う環境やモデルのバリエーションを変えたら結果も変わるのでは?」
と思い、今度はLovartへ。
GPT Image 2.5のFlareとSunburstでも比較してみました。
すると面白い差が出ました。
今回試した中で、
顔の本人性が最も高いと感じたのはSunburst。
元画像の人物らしさをかなり残しながら、ディテールが増えています。
最初から欲しかった、
「高画質な似た人」ではなく「高画質になった本人」
に一番近い。
ここでようやく、
Image 2.5 SUGEEEEEEEEEE!!!!!
となりました。
やっぱりすごいじゃん。
これなら使える。
……と思って、
顔から少し視線を下げました。
手ェ!!!!!!!!!!
手が破綻していました。
元画像では、人差し指を一本立てたポーズをしています。
ところが生成された手を見ると、指同士の接続や親指の構造に違和感があります。
一見すると普通の手。
でも一本ずつ輪郭を追うと、
人体として何かがおかしい。
ずいぶん懐かしい現象です。
生成AIが急速に進化して、
「AI画像は手を見れば分かる」
なんて時代はもう終わったと思っていました。
それなのに2026年。
本人性という難しい部分をかなり高いレベルで維持した直後に、
手でコケる。
今時、手が破綻する生成AIってえええええ!!!
SunburstとFlare、得意なことが違う?
せっかく顔が良かったので、Sunburstに手だけ修正してもらいました。
最初はMedium。
改善はしたものの、親指の構造に違和感が残りました。
そこでHighに変更。
今度は親指がかなり改善しました。
親指は生えた。
しかしよく見ると、別の指と掌の接続が怪しい。
一見した完成度は上がっているのに、構造を追うとまだ不自然です。
そこで同じ局所修正をFlare Highでも試してみました。
すると今回はこちらの方が、手の構造として自然な結果になりました。
面白い。
顔の本人性ではSunburstが良かった。
一方、手の局所修正ではFlare Highが良かった。
もちろん、一つの素材だけで、
「Sunburstは手が苦手」
「Flareは手が得意」
と一般化することはできません。
でも少なくとも今回、
「最新・高性能なモデルが、あらゆる処理で完全な上位互換になるわけではない」
ということは強く感じました。
「一番強いAI」より「この仕事が得意なAI」
生成AIの話をしていると、
「結局どのモデルが一番強いの?」
と考えがちです。
でも実務で大事なのは、
「総合的に一番強いモデルはどれか」
ではなく、
「今やりたい、この処理にはどれが向いているか」
なのかもしれません。
今回の結果だけで暫定的に考えるなら、
本人性を重視した復元ではSunburst。
局所的な手の修正ではFlare High。
必要なら、それぞれの良い部分をPhotoshopで合成する。
一つのAIに最初から最後まで完成させてもらう必要はありません。
AIごとの得意な工程をリレーさせて、最後に人間が判断する。
実務では、この方がずっと現実的です。
生成アップスケールは「高画質化ボタン」ではない
今回、一番大きかった学びはこれでした。
生成AIによる高精細化は、単純な「高画質化」ではない。
元画像に存在する情報を鮮明にするだけではなく、読み取れない部分を推測し、新しいディテールとして生成する工程が含まれます。
だから、
「綺麗になった!」
だけでは完成ではありません。
特に実在人物を扱う場合は、
本人のままか。
表情は変わっていないか。
年齢感は変わっていないか。
輪郭や体型は変わっていないか。
服装やアクセサリーは正しいか。
そして今回身をもって学んだ、
手指は人体としてちゃんと成立しているか。
元画像と比較して確認する必要があります。
むしろAIが高性能になるほど、間違った部分まで自然に見えるようになります。
そう考えると、
AIの性能が上がるほど、最後に違和感を見つける人間側の目も重要になる
のかもしれません。
それでも、GPT Image 2.5はSUGEEEEEEEEEE
ここまで書くと、
「GPT Image 2.5、ダメだったの?」
と思われそうですが、私の感想はむしろ逆です。
今回、元画像から確認できる情報に限りがある中で、ここまで本人らしさを維持した顔を生成できたこと自体、
普通にすごい。
だからこそ、
顔でそんな高度なことができるのに、なぜそこで手に苦戦するんだ。
というギャップが面白かった。
高性能になったから完璧になった、ではない。
できることが増えたからこそ、
どこまでAIに任せて、どこから人間が判断するか。
そして、
どの工程を、どのAIに任せるか。
そこを考える段階に入ってきたのだと思います。
AIの進化は一直線じゃないらしい
「手を見ればAI画像だと分かる」
という時代は、もう終わったと思っていました。
ところが2026年。
最新の高性能モデルで本人性の高い顔を生成して、
Image 2.5 SUGEEEEEEEEEE!!
となった数分後。
私はその人物の手を見ながら、
親指がおかしい。
とつぶやいていました。
AIの進化は、どうやら一直線ではないらしい。
そして現在。
次の動画でも、人物素材の高精細化が必要になりそうです。
今回の傾向は別の素材でも再現するのか。
Sunburstはまた本人性で強さを見せるのか。
Flareはまた局所修正で活躍するのか。
それとも、まったく違う結果になるのか。
もう少し試してみようと思います。
実験は続きます。