メインコンテンツへスキップ
見出し画像

4o画像生成(自己回帰モデル)の出力メモ

    Last update 4-3-2025
    ※ (5-4-2025) Microsoft Copilotでも生成ができたので記事を書きました。
    ※ (4-24-2025) 参考まで、画像生成のみが「gpt-image-1」としてAPI経由で利用できるようになりました(参考:https://platform.openai.com/…image-generation-model=gpt-image-1)
    ※ とりあえずな感じの、短時間で書いた記事です。



    ■ 0. 概要

    ▼ 0-0. 本記事について

     3月下旬、OpenAIはChatGPT上にて新しい画像モデルをリリースしました。無料ユーザーの筆者は3-30-2025から使えるようになりましたが、公式には日本時間の4-1-2025からとなっているようです。

    chatgpt image gen now rolled out to all free users!

    — Sam Altman (@sama) April 1, 2025

     本記事ではいくつかの使用例を引用してから、筆者が実際に出力した画像を掲載します。

     4oの画像生成は今後、ChatGPTのデフォルトとなる予定です。従来のDALL·E 3はおそらく、既存のGPTsアプリ(及びAPI)としてのみ残されるものとみられます。

    画像
    画像生成モデルの変更予告(DALL·E 3での生成時)

    ▼ 0-1. OpenAIの新しい画像モデル

     現在のところ「4o Image Generation」と呼ばれているそれは、従来とは異なる自己回帰モデルと言われています。まだ情報は少ないですが、今後は拡散モデルよりも自己回帰モデルが増えていくことが考えられます。

    参考:
    GPT-4oとGemini-2.0の画像生成能力はいかにして作られているのか
    https://zenn.dev/discus0434/articles/gemini-2-0-mm 

    参考:
    Introducing 4o Image Generation
    https://openai.com/index/introducing-4o-image-generation/ 


    ▼ 0-2. その他の自己回帰モデル

     Grokに搭載されているAuroraも自己回帰モデルに該当します。入力した画像を編集する機能が搭載されたので、こちらで練習してみると良いでしょう。ただし、品質や精度は少し劣っています。

    そいえば、Grokで予告どおり画像編集ができるようになったの知ってる?
    知ってたが、他のことに気を取られて忘れてたし、なんか話題にもなっていない… #aiart https://t.co/X58kL202SJ pic.twitter.com/gk067KsIWs

    — まゆひらa (@riddi0908) March 24, 2025

     Gemini 2.0 Flash Experimentalの画像生成も自己回帰モデルと言われています。しかし、筆者が見る限りでは能力に違いがあるようで、三者は必ずしも同じこと(操作)ができるわけではありません。筆者が試してみたことは下記の記事に掲載してあります。

     さらに、4-3-2023にローカルで実行可能なLumina-mGPT 2.0がリリースされました。大量のVRAMを要求するため、実行できる環境は少ないと思われます。
    → https://github.com/Alpha-VLLM/Lumina-mGPT-2.0 



    ■ 1. 4o Image Generationの使用例

    ▼ 1-1. 文字入りのレイアウトを構築

     他の方の出力された、4o Image Generationの使用例をいくつか挙げます。本例で分かるとおり、オブジェの配置や、日本語を含む文字を挿入する能力が格段に向上しました。

     単純なt2iで生成された場合は、プロンプトを尋ねると返ってきます。そうでは無い場合は、尋ねられても答えないようです。

    ChatGPTの新しい画像生成機能めちゃ凄いな。

    雑なプロンプト一発で進研ゼミ風の4コママンガ作れた。

    日本語は少し文字化けするけど、もうちっと工夫すればLPのマンガ素材とか普通に作れるかも。 pic.twitter.com/SxPW3BvBAc

    — KAJI | 梶谷健人 (@kajikent) March 26, 2025

    新しいChatGPTの画像生成、「ラーメン二郎の入店とルールに関するインフォグラフィックを生成してください」でここまで出してくれるのやっぱりすごい。 pic.twitter.com/ZmxyVP92YN

    — Ryota Toyoda (@toyotamasan) March 26, 2025

    ▼ 1-2. 狸の生成

     本記事の趣旨とは少し異なりますが、このモデルでは狸が生成できるようになりました(今まではアライグマになってしまった)。従来よりも幅広い概念に対応している可能性が高いです。

    GPT4oの画像生成
    タヌキが出て感動 pic.twitter.com/o4b58v2AYy

    — NOBU 🎥 動画生成AIの人 (@nbykos) March 26, 2025

    ▼ 1-3. 画風スタイルの変更

     画像を入力して指示を与えます。誰にでも理解しやすい、実用性の高い用途と考えられます。配置やポーズまで再現されるのが、自己回帰モデルの特徴です。

    著作権上問題のない範囲で「いらすとや」風にしてと頼んでみた pic.twitter.com/wm7Bjpb9cz

    — Haruhiko Okumura (@h_okumura) March 26, 2025

    デニーズでパパのラーメンを貰って食う娘。
    これならSNSにアップしても大丈夫な感じになるな。
    そういう意味では、アップしたいけど色々と気を遣う系の写真もこうすればアップできるようになるわけだな。 pic.twitter.com/UyzPN7fEcp

    — Takashi Kawasaki (@espresso3389) March 27, 2025

    流行りのChatGPT 4o の写真から
    イラスト生成してみた🫶

    ディズニー風可愛い🤤🫶 pic.twitter.com/XyWBoh6x3v

    — しずみろん🧸💫 (@miroronTV) March 27, 2025

    ▼ 1-4. ピクトグラムの作成

     ピクトグラムは、画風スタイルの一つと考えて良いと思います。

    カップ焼きそばの湯切りに失敗する人のピクトグラム #AIart #ChatGPT #GPT4o pic.twitter.com/FtaPoDqD2q

    — Rootport🔥 (@rootport) March 31, 2025

    ChatGPTによるピクトグラム生成、既存のピクトグラムと生成結果がかぶってしまうのが怖くて使いづらいという人は、こんな感じでリファレンス画像を渡して生成させると、オリジナリティのあるピクトグラムが生成できるのでだいぶ使いやすくなるかなと思います! pic.twitter.com/n9J86azNJ6

    — 抹茶もなか (@GianMattya) March 31, 2025

    ▼ 1-5. その他

     挙げるときりが無さそうなので1例だけにしておきます。

    GPTくん透過線画の抽出できてんのすごいな
    生成した画像を透過PNGで出力できるというだけで使い道が大幅に広がる
    精度も悪くはないけどやっぱり完全一致はまだ無理か pic.twitter.com/lVG9fSOgJP

    — 抹茶もなか (@GianMattya) March 26, 2025



    ■ 2. 筆者による出力

    ▼ 2-1. 4コママンガ

     ぶるぺんさんがチャットのURLをシェアしてくださったので、続きのチャットでプロンプトを尋ね、新規のチャットで生成しました。

    ChatGPT マジでこれhttps://t.co/RdWYlBM8A2 pic.twitter.com/dJDBgyWeMZ

    — ぶるぺん/blue.pen5805 (@blue_pen5805) March 26, 2025

     試したのは1回だけで、下記の画像が出力されました。

    画像
    生成された4コママンガ

     さらに「カラーでレトロな少女マンガ風に」と指示しました。配置やポーズがほとんど同じなので、直前の画像が入力されたものと考えられます。

    画像
    4コママンガの画風スタイルを変更

    ▼ 2-2. 画像の模倣

     まずは、下記の画像を入力しました。

    画像
    入力画像(SDXLで生成)

     次に、「添付の画像を注意深く再現してください」と指示を行いました。比較してみて、表現がモデルの能力に依存しているらしい(=模倣には限界がある)ことがわかりました。

    画像
    4o画像生成の出力

     1-3.のように、画風スタイルの変更もできます。

    画像
    4o画像生成の出力(画風スタイルを変更)

     参考まで、Grokの出力も掲載しておきます。4o画像生成よりも品質や精度は落ちますが、それでも元画像と似ていることがわかります。

    画像
    Grokの出力

    ▼ 2-3. 人物の入れ替え

     2-2.の最初の画像と、下記の画像を同時に入力しました。

    画像
    Reve Image 1.0の出力

     指示は、【「草原で猫を抱いている女の子」の画像の女の子の全身を、「紫の瞳の女の子」の全身で置き換えてください。全身とは髪型、顔から服装、足までの全てが対象です。抱いている猫はそのまま残してください。】としました。

     画像は縦長に変わってしまいましたが、元の画像の配置やポーズを保ちつつ、人物だけが入れ替わったことがわかります。

    画像
    画像を2枚入力して人物の入れ替えを行った

    ▼ 2-4. 画風スタイルの変更

     まず、英語プロンプトを入力して画像を生成しました。4o画像生成の「Japanese anime style」は、このような特徴を持っているようです。

    画像
    A short stature girl with shoulder-length brown straight hair and large, expressive brown eyes stands near the bench at the nature park with small lake. She wears a light pink one-piece dress with a white, thin cardigan over it, and comfortable flat sandals. Her hair is tied up in a high ponytail, with a few strands softly framing her cheerful face. She carries a cute and small shoulder bag. This is Japanese anime style.

     次に「粗い3Dポリゴン風にしてください」と指示を行いました。ここでも、直前の画像の配置やポーズが保たれています。

    画像
    画風スタイルを変更した

     DALL·E 3で同じプロンプトを使用すると、同じ画風スタイルでも出力の傾向がまったく異なることがわかります。

    画像
    DALL·E 3の出力



    ■ 3. その他

     私が書いた他の記事は、メニューよりたどってください。

     記事に関することで何かありましたら、Xの@riddi0908までお願いします。


     
     
    5060Ti (16GB) と 3060 (12GB) を所持。記載が無い限り文章は手書きです。記事に関することは X の riddi0908 までお願いします。質問箱は気まぐれにお返事します。

    あなたへのおすすめ