「Fake Future（フェイクな未来）」シリーズの連載記事では、未来を根本的に定義する可能性を秘めた新しいテクノロジーに注目していきます。
前回の記事では、ディープフェイク動画に焦点を当て、それらがどのように作成されるのか、どのようなユースケースがあるのか、そして現在の法的な状況はどうなっているのかについて解説しました。
この記事では、画像と組み合わせた人工知能の活用に焦点を当てます。AIのさまざまなレベルについて詳しく説明し、最終的にはコンピューターによって完全に作成された画像である「合成画像」について解説します。
合成画像の作成プロセスは、多くの部分でディープフェイク動画の作成と似ているため、詳細な情報を知りたい方は、ぜひ前回の記事もあわせてお読みください。
AI生成画像／合成画像とは？
コンピューター・ジェネレイテッド・イメージ（CGI：コンピュータグラフィックス）の定義は、非常に幅広く解釈できます。映画制作において、CGIという用語は、人間がコンピューターを使って作成したビジュアルな特殊効果を指します。
AI生成画像もコンピューターを使用して作成されますが、CGIのサブカテゴリーにあたります。CGIとの違いは、画像の作成プロセスにおいて人間が関与しない点です。
例えば、コンピュータープログラムに人間の顔のデータを学習させ、最終的にプログラム自身が人間の顔を「作り出し」て出力できるようにします。これは、アクセスするたびに実在する人物のようなプロフィール画像を表示するウェブサイト「thispersondoesnotexist.com」の仕組みそのものです。しかし、サイト名が示す通り、描かれている人物は実在しません。本物の人々のプロフィール画像でアルゴリズムを学習させることで、実物に極めて近い架空の顔を再現し、完全に新しい人物のプロフィール画像を作成できるようにしたのです。
現在では、シンプルなテキストによる説明に基づいて画像を作成できるプログラムも多数存在します。見たいものを言葉でプログラムに説明するだけで、ツールが自動的に画像を生成してくれます。
これが、これらの画像が「合成」と呼ばれる理由です。カメラなどの撮像素子で撮影され、画素（ピクセル）に変換される本物の画像とは異なり、合成画像は純粋な計算処理、つまり現実世界をモデル化し、光学の法則をシミュレートすることによって作成されます。
合成画像はどのように作成されるのか？
合成画像は、ディープフェイク動画の作成と同様に、敵対的生成ネットワーク（GAN）、オートエンコーダー、またはより高度なベクトル量子化変分オートエンコーダー（VQ-VAE）を使用して作成されます。
技術的な内容は急速に科学的・数学的になってしまうため、ここでは各手法の詳細には深く立ち入りません。GANやオートエンコーダーの仕組みについて詳しく知りたい方は、ディープフェイク動画について簡単に解説している前回の記事をご覧ください。
もしVQ-VAEについてさらに学びたいと考え、数学的な数式に抵抗がない場合は、以下の素晴らしい記事をお勧めします。
ここで最も重要なのは、コンピューターが「教師なし学習」と呼ばれる手法を使用している点です。これは、人間が入力データに説明やタグを付けることなく、アルゴリズムが自律的にパターンを学習する仕組みです。
画像と組み合わせた人工知能のユースケースと具体例
画像と人工知能を組み合わせたユースケースは数多く存在します。
シンプルなユースケースとしては、顔認識や、スマートフォンのカメラアプリが周囲の明るさに合わせて設定を自動調整する機能などが挙げられます。今では当たり前となり、多くの人々にとって欠かせない便利な機能です。
AIの多様な応用可能性を説明するために、以下にいくつかの例を挙げます。すべての例に合成画像が含まれるわけではありませんが、使用される人工知能のさまざまなレベルを示すためのものです。
写真の編集と補正
1826年に世界で初めての写真がカメラで撮影されてから、最初の加工画像が作られるまでにそれほど時間はかかりませんでした。
1860年、政治家ジョン・カルフーンの写真が加工され、彼の身体に米国大統領エイブラハム・リンカーンの頭部を組み合わせた写真が作成されました。
現代において、画像編集はごく当たり前のプロセスです。プロによる撮影の後はもちろん、おばあちゃんの旅行写真に至るまで、私たちの画像はいくつかの最適化処理を経ており、その一部は人工知能の力を借りて自動的に行われています。
自動での画像加工には、コンテンツに応じた塗りつぶしによる不要なオブジェクトの除去、色の補正、遠近感の歪み補正などが含まれます。
近年では、最も広く使用されている画像編集プログラムであるPhotoshopに、多くのAIベースのツールや機能が導入されています。
しかし、競合他社も黙ってはいません。現在では、人工知能の機能を前面に押し出し、独自の強みとしてアピールする写真編集ツールが登場しています。
LuminarAIは、そうしたAI搭載の写真編集ソフトの一つで、顔や肌の自動補正、目の色の変更、そばかすの除去、さらには空全体の入れ替えとそれに合わせたライティングの自動調整など、驚くべき機能をユーザーに提供しています。
Hotpot.aiでも同様のユースケースが見られます。このツールは背景を自動で削除できる（remove.bgも同様です）だけでなく、白黒写真に色を復元したり、人工知能を使って古い写真の傷を消して色鮮やかに仕上げたりすることも可能です。
Topazlabsは、主に次の3つの分野に焦点を当てています。
高いISO感度で撮影された画像で特に目立つ、ノイズやアーティファクトの除去
ポスターなどで高解像度で使用できるようにするための、画像のアップスケーリング
レンズのブレや手ブレを補正し、非常にシャープな画像を得る機能
このように、今日の画像編集における人工知能の応用可能性には限界がありません。
写真撮影をサポートするカメラアシスタント
しかし、人工知能の役割は撮影後の写真編集だけではありません。撮影そのもののプロセスにもAIを活用できます。画像とAIの組み合わせにおける第2のレベルは、スマートカメラやカメラアクセサリーです。
Arsenalは、写真家が完璧な写真を撮影できるよう支援するインテリジェントなカメラアシスタントとして製品を販売しています。ニューラルネットワークを使用して各写真をインテリジェントに現像し、不自然にならない範囲で、それぞれの写真に最適化された調整を行います。
さらに、パノラマや長時間露光の撮影をアシストするほか、複数のショットを組み合わせることで、画像から人物や動く物体を自動的に除去することも可能です。
Arsenalは、Kickstarterを通じて250万ドル以上を集めることに成功しました。後継モデルであるArsenal 2では、さらに400万ドル以上の資金調達を達成しています。
スマートカメラアシスタントの市場はまだ比較的浅いため、今後数年間でさらに多くの製品やイノベーションが登場することが期待されます。
Googleは数年前、Google Clipsを発表し、少し異なるアプローチを取りました。これはGoProよりも遥かに小さいスマートカメラで、写真を撮るのに最適なタイミングを自動的に検出します。これにより、カメラやスマートフォンを取り出すのに時間がかかってシャッターチャンスを逃す心配がなくなります。
ユーザーはカメラを好きな場所に置いておくだけで、撮影を意識する必要はありません。もちろん、シャッターボタンやスマートフォンアプリを使っていつでも手動で撮影することもできます。
内部ではGoogleの人物認識アルゴリズムが作動しており、登録された顔や興味深いアクティビティを自動的に認識して適切な瞬間に数枚の写真を撮影し、それらを組み合わせて7秒間の「クリップ」を作成します。
残念ながら、この製品はすぐに市場から姿を消し、生産終了となりました。最初のテスターが完全に満足しなかったことが理由の一つかもしれません。画質（とりわけ12メガピクセルしか搭載されていなかったこと）や、自動シャッター機能が十分に納得のいくものではなかったためです。
しかし、この製品はカメラが進化する方向性を明確に示しています。将来的には、手動でシャッターを切る必要はなくなり、カメラ自身が写真を撮るのに最適な瞬間を判断するようになるかもしれません。
画風変換（Neural style transfer）
第3のレベルとして取り上げたいのが、Neural Style Transfer（NST：画風変換）と呼ばれるアルゴリズムです。
「Neural Style Transfer（画風変換）とは、コンテンツ画像とスタイル参照画像（有名な画家の絵画など）の2つの画像を組み合わせ、出力画像がコンテンツ画像のように見えつつも、スタイル参照画像の画風で描かれたように仕上げる最適化手法です。」（TensorFlow）
ゴッホのスタイルで描かれたモナ・リザを見たことがあるかもしれません。これはまさにNSTアルゴリズムによって実現されたものです。
物体や人物の特定
写真の作成や編集だけでなく、人工知能は写真内の物体を認識するためにも使用できます。最も有名な例の一つがGoogleレンズ（Android | iOS）です。このアプリは、画像に基づいて以下のことが行えます。
歴史的建造物や似たデザインの家具など、写っている物体の検索
画像内のテキストを複数の言語へ翻訳
動物、植物、食べ物などの特定
対応するQRコードを撮影した際に、自動でWi-Fiネットワークに接続するなどの特定アクションの実行
その他多数の機能
Googleレンズはオールインワンのソリューションですが、特定の物体の検出に特化したアプリもあります。例えば、様々な植物や花を識別できる「PictureThis：送って一発で植物判定」アプリ（Android | iOS）がその一つです。
また、設置した鳥の餌箱にやってくる鳥の種類を特定できるBird BuddyやBirdfyのようなサービスもあります。
すべてのアプリは同様の原理で動作しています。大規模なデータセットを使用し、画像内の特定のオブジェクトを認識するように人工知能がトレーニングされています。Googleは、Googleレンズの仕組みについて次のように説明しています。
「レンズは画像内のオブジェクトを他の画像と比較し、元の画像内のオブジェクトとの類似性と関連性に基づいてそれらの画像をランク付けします。例えば、レンズが犬を検出し、それがジャーマンシェパードである確率が95％、コーギーである確率が5％であると判断したとします。この場合、レンズは視覚的に最も類似していると判断したジャーマンシェパードの結果のみを表示することがあります。」（Google）
動物や植物の認識は、特定の状況で非常に便利であるものの、それ以上の大きな影響を及ぼすことはありませんが、人物の顔を自動検出する顔認識テクノロジーとなると話は全く別です。
Clearview.aiは、数年前からインターネット上の公開ソースからプロフィール画像を収集しており、同社の発表によると、データベースにはすでに200億枚以上の画像が蓄積されています。また、同社は2022年末までに画像を1000億枚以上にまで増やし、世界中のすべての人の画像をデータベースに網羅する計画を投資家に示しました。
Clearview AIは過去に、連邦捜査局（FBI）や国土安全保障省（DHS）を含む600以上の法執行機関と協力してきました。
法執行機関との協力自体は悪いことのように聞こえないかもしれませんが、このテクノロジーが民間企業に誤用・悪用された場合、致命的な結果をもたらす可能性があります。例えば、デモに参加した従業員が、雇用主がそのデータベースにアクセスできることで不利益を被る恐れがあります。同様に、人違いが罪のない人々に取り返しのつかない結果をもたらす可能性もあります。
また、独裁的な政府がデータベースを利用できるようになれば、国民に対する監視や弾圧が強化されることになりかねません。
最近、同社は、本人の同意を得ずにプロフィール写真を収集したことが既存のデータ保護法に違反するとして、数百万ドル規模の制裁金を繰り返し科されています。
フランスの規制当局CNILは、同社に対し、インターネット上に公開されている写真の再利用を停止するよう命じました
オーストラリアは、同社が国内のプライバシー法に違反したと判断し、データの削除を命じました
同社がこの厳しい状況を生き残れるかどうかは時間が経たなければわかりません。しかし、数々の不祥事を考慮すると、このようなソフトウェアの使用がいかに物議を醸しているかはすでに明白です。
テキストから画像への変換（Text-to-image）
最後に挙げる例は、最も抽象的で高度な技術です。人工知能は非常に進化しており、テキストを理解して解釈するだけでなく、テキストの説明のみに基づいて完全な画像を生成することができます。
「カウボーイハットと赤いTシャツを身にまとい、ビーチで自転車に乗っている柴犬の油絵」でしょうか？問題ありません、こちらになります：
それとも、「月面で馬に乗っている宇宙飛行士」のリアルな写真がお好みでしょうか？
クリエイティビティに限界はありません。
現在、複数の企業がテキストから画像を生成できる人工知能の開発に取り組んでいます。代表的なものとして、OpenAIのDALL-EやGoogleのImagenがあり、より優れたクオリティを目指して競い合っています。
以下のビデオでは、このソフトウェアがどのように動作するのかを分かりやすく解説しています。これは、説明文（キャプション）が付いたインターネット上の画像データを用いて学習されています。これにより、AIはテキストとそれに対応する画像の関連性を理解します。学習を重ねることで、プログラムは要素を抽象化して結びつけることができるようになり、「ベースを演奏するホッキョクグマ」といった画像も生成できるようになります。
DALL-EもImagenも、現時点では誰もが自由に利用できるわけではありません。しかし、これらほど圧倒的なクオリティではなくとも、同様に動作するツールは他にも多数存在します。
「テキストから画像への変換」ソフトウェアは、ディープフェイク動画と同様に、社会を根本的に変え、メディアに対する信頼を揺るがす可能性を秘めています。誰もが言葉で望むイメージを説明するだけでAIが自動生成してくれるようになれば、将来グラフィックデザイナーは不要になるのでしょうか？政治家が違法な賭博やそれ以上に不適切な行為に興じている写真を掲載するウェブサイトを、私たちは信用できるでしょうか？
「テキストから画像への変換」の研究は、多くの倫理的な課題に直面しています。DALL-EやImagenがまだ一般向けに完全公開されていないのも、おそらくこれが理由です。両ツールには、暴力、ヌード、政治家の描写、いじめなどを禁止する詳細なコンテンツポリシーが設けられています。
OpenAIは、DALL-Eが実在する人物の顔を記憶しないようにするためのディープフェイク対策をシステムに組み込んでおり、本物の顔を含む画像がアップロードされた場合は拒否する仕様になっています。また、問題がある可能性のある画像は、人間のモデレーターによるチェックが行われます。以前は出力される顔が歪められていましたが、現在ではDALL-Eが実在しない人物の顔を自然に生成できるように改善されています。
「大いなる力には、大いなる責任が伴う」—これはまさに、テキストから画像への変換ツールに当てはまる言葉です。
AIが生成した画像の著作権は誰にあるのか？
画像の最適化から完全な画像生成まで、画像に関する人工知能のさまざまなレベルを見てきましたが、最後に一つ疑問が残ります。合成画像の著作権は誰が所有するのでしょうか？
これまでは、ペンと紙と同じように、プログラムはクリエイティブなプロセスを支援する単なるツールに過ぎなかったため、コンピューターで作成された作品の著作権が問題視されることはありませんでした。しかし、最新の人工知能では、コンピュータープログラムは単なるツールではなく、人間の介入なしにクリエイティブなプロセスにおける多くの意思決定を行っています（WIPO）。
2022年初頭、米国の著作権再審査委員会は、人工知能によって作成された画像の著作権を主張しようとしたスティーブン・セイラー氏による申請を2度にわたり却下しました。その理由は、著作権の成立に必要とされる「人間の手による創作（Authorship）」が欠けているためでした。裁判所は、著作権保護の前提条件として、人間の精神と創造的な表現との結びつきを明確に求め続けています。
他国では異なるアプローチが取られています。例えばイギリスでは、その人工知能を開発したプログラマーが著作者とみなされます。
「コンピューターによって生成された文学的、演劇的、音楽的または美術的著作物の場合、その著作物の作成に必要な手配を行った者を著作者とする。」（CDPA 9 (3)）
現在、多くの国では規制が全く整備されていないか、AIによって作成された画像の著作権を人間が主張することが単に不可能な状況にあります。
さらに、もう一つの未解決の問いもあります。人工知能による著作権侵害の責任は誰が負うべきなのか？という点です。立法者は今後、こうしたシナリオにますます対応を迫られることになり、この分野では今後数年間で確実に多くの変化が訪れるでしょう。
合成画像の未来はどうなるのか？
この記事では、画像と組み合わせた人工知能の世界について少しだけご紹介しました。AIは、長年にわたり写真編集の欠かせない一部であり、最近ではその応用範囲が急速に広がっています。
コンピューターと数行のコードで今日可能になっている技術を見て、不気味に感じる人も多いでしょう。AIは、架空の人物を作り出すだけでなく、シンプルなテキストによる説明に基づいて、現実に即した完全な画像を生成することができます。
このテクノロジーが将来社会にどのような影響を与えるのか、そしてAI生成画像を検出するためにどのような手法が生み出されるのかは、時が経たなければわかりません。
しかし一つ確かなことは、人工知能は、数年前まではSF映画の中で「遠い未来」として描かれていた領域に、今や到達しているということです。
