見出し画像

【無料公開】引き算のAI：序章〜第二章（質感を守るLoRA学習の技法）

シツカン｜質感LoRA

著者：TextureLoRALab（シツカン）

本記事は、Kindle書籍『引き算のAI: 質感（テクスチャ）を守るLoRA学習の技法』の序章〜第二章を無料公開したものです。

序章　キャンバスの息遣いが消える瞬間

　絵具の重なり、筆の掠れ、キャンバスの地肌。

　私たち表現者にとって、それらは単なる「２次元」ではない。思考と時間の集積そのものである。

　岩絵具を膠と練り合わせ、指先で粒子の粗さを確かめた朝がある。油彩の下層が乾くのを待ちながら、次の色を頭の中で混ぜた午後がある。キャンバスの布目に絵具が引っかかる微かな抵抗。筆が掠れて地肌が透ける、あの一瞬の判断。描くという行為は、画面との対話そのものだった。

　ところが、この「対話の痕跡」をAIに学習させようとした途端、奇妙なことが起きる。

　形は似ている。色も近い。構図すらそれらしい。なのに、何かが決定的に違う。言語化しづらい、もどかしい違和感。まるで画面から体温だけが抜き取られたかのよう。

　厚塗りの段差は均される。筆の掠れは滑らかに補正される。キャンバスの布目はつるりとした平面に置き換えられる。

　なぜ、こんなことが起きるのか。　　　　＊

　画像生成AIの根幹には、「拡散モデル」と呼ばれるプロセスがある。

　大雑把に言えば、完全にぼけた画像から少しずつ焦点を合わせていく技術だ。ノイズの海から、徐々に「正解」の輪郭を浮かび上がらせる。ここに、決定的なすれ違いがある。

　AIにとっての「正義」は、輪郭をはっきりさせ、迷いのない形を提示することだ。ノイズを除去し、明瞭で破綻のない画像を生成すること。それがAIに与えられた使命である。

　しかし、私たち表現者がマチエルと呼ぶもの──絵具の凹凸、岩絵具のざらつき、筆が走った跡に生まれる掠れ──それらはAIの目には「まだ除去しきれていないノイズ」に映る。ノイズでしかない。

　AIはスペインのアマチュア修復家のようにノイズを均す。彼らには「マチエル」という概念がない。私たちが意図して残した絵具の盛り上がりや岩絵具のざらつきまでも、画面を汚す付着物だと判断し、丁寧に、そして容赦なく拭い取ってしまう。

　保存修復学の世界では、作品の表面を単なる「見た目」としてではなく、複数の物理的要素の複合体として捉える。

光の乱反射。絵具の凹凸が生む、ミクロな影の集積。層の重なり。透層が生む、平面には還元できない奥行き。身体の痕跡。筆の動きが止まった瞬間に生まれる、絵具の溜まり。

　しかしAIは、これらの複合体を「色の平均値」として一面的に圧縮する。絵具の層は等しく均され、一枚の平面に還元される。その結果、画面から生命感が消える。

　表現者にとっての魂が、AIにとっては除去すべきノイズになる。この絶望的なすれ違いこそが、あなたの画風を「のっぺり」させてしまう正体である。

　　　　＊

　では、この問題に対して、私たちはどう向き合えばよいのか。

　現在のAI画像生成の世界を見渡すと、問題を「足し算」で解決しようとする発想が主流であることに気づく。モデルを追加する。LoRAを重ねる。プロンプトを盛る。パラメータを増やす。とにかく情報を足して、足して、足して、理想の画面に近づけようとする。

　しかし、私が三百回を超える試行錯誤の果てに辿り着いた答えは、その真逆だった。

　足すのではない。引くのだ。

　不要なタグを削る。モデルを一つに絞る。全体を捨てて細部だけを渡す。AIに「描かないもの」を教える。余計なものを取り除いた先にはじめて、質感が残る。

　これはテクノロジーの限界ではなかった。質感を「定義」し、AIに正しく翻訳する手法が、まだ共有されていなかっただけなのだ。

　本書は、その「引き算」の技法を体系的に記したものである。

　「光」、「モデル」、「言葉」、「タグ」、「設定」、「工程」。

　いずれの章にも共通する問いは一つだ。何を加えるかではなく、何を引くか。

　日本美術には古くから、余分なものを切り捨てることで主題を際立たせる手法がある。俵屋宗達は背景を描かず金箔で埋めた。長谷川等伯は墨の濃淡だけで松林を立ち上げた。美術史家の高階秀爾はこれを「切り捨ての美学」と呼んだ。

　同じ構造が、AI画像生成にも成り立つ。

　引いた先に、本質が残る。本書がその地図になれば幸いである。

第一章　思想

　「マイナスの仕事」という言葉を、私は自分で発明したわけではない。

　美術の世界では古くから、足さないことに価値を見出す思想が存在する。彫刻家は石を削って形を見出す。水墨画家は余白に意味を持たせる。茶の湯は装飾を削ぎ落とした先にある静寂を愛でる。

　イタリアの美術修復理論家チェザーレ・ブランディは、一九六三年に著した『修復の理論』の中で、修復における最小介入の原則を定式化した（Brandi, 1963）。修復家が作品に手を加える際、その介入は必要最小限でなければならない。なぜなら、過剰な介入はオリジナルの質を損ない、修復ではなく破壊になるからだ。

　これは「何もしない」のとは根本的に違う。何をしないかを知っている上で、意図的にしないのである。

　私が本書で「マイナスの仕事」と呼ぶものの源流は、この思想にある。

　　　　＊

　高校で日本画を専攻していたとき、恩師から繰り返し言われた言葉がある。

　「主役を一つに決めなさい。それ以外は、引きなさい」

　岩絵具で群青を塗り重ねていた手が止まる。画面の中で花も山も空も、すべてが同じ強さで主張している。恩師の指が、迷いなく画面の一角を示す。ここが主役なら、ここ以外は抑えなさい。

　描き足すのではなく、引く。その行為によって、主役の存在感が際立つ。

　一つの絵に、主役は一つ。

　この原則を、私は高校の三年間で体に刻み込んだ。そしてそれから十年以上経って、AI画像生成の世界でまったく同じ原則に再会することになる。

　　　　＊

　公立芸大で芸術学を学んだ後、私はイギリスの大学院で博物館学の修士課程に進んだ。

　保存修復の現場に触れて学んだ最も重要な教訓は、「触らないという選択肢」だった。

　古い絵画に手を入れるとき、修復家が最も恐れるのは「やりすぎる」ことだ。オリジナルの筆致を損なう修復は、修復ではない。だから優れた修復家は、最小限の介入を旨とする。できるだけ触らない。触る必要がある箇所だけに、必要最小限の処置を施す。

　ブランディが述べたように、修復行為はつねに「認識の行為」でなければならない（Brandi, 1963）。対象を十分に理解した上で、何をすべきか、そして何をすべきでないかを判断する。理解なき介入は暴力と変わらない。

　この考え方は、そのままAI画像生成に適用できる。

　何を学習させるかではなく、何を学習させないか。

　何を記述するかではなく、何を記述しないか。

　何を加えるかではなく、何を取り除くか。

　引くためには、まず全体を知っていなければならない。何が不要かを判断するためには、何が必要かを深く理解していなければならない。だから「マイナスの仕事」は、単なる手抜きとは対極にある。全体を把握した上で、意図的に取り除く。それは最も知的で、最も勇気のいる仕事だ。　　　　＊

　日本美術には、この思想の系譜がある。

　美術史家の高階秀爾は、日本美術に特有の手法として「切り捨ての美学」を論じた（Takashina, 2009）。俵屋宗達や尾形光琳は、対象を引き立てるために背景をいっさい描かず、金箔で埋めた。余分なものを切り捨てることで、主題だけが浮かび上がる。

　長谷川等伯の『松林図屏風』は、墨の濃淡だけで松林を立ち上げている。描かれていないものの方が圧倒的に多い。にもかかわらず、あるいはだからこそ、画面には深い奥行きと湿度すら感じられる。

　描かないことで、見る者の中に像が立ち上がる。

　同じ構造が、LoRA学習にも存在する。

　　　　＊

　この思想を、AI画像生成の実践に落とし込むとどうなるか。

　多くの人は、AIに学習させるデータを増やそうとする。もっと多くの画像を。もっと詳細なタグを。もっと複雑なパラメータを。情報を足せば足すほど精度が上がるはずだ、と。

　しかし私の実験では、逆の結果が出た。

　学習用の画像を、作品全体ではなく質感の断片だけに絞る。タグの数を減らし、AIに「説明しない領域」を意図的に作る。チェックポイントモデルを一つに限定し、混合しない。触るべき設定を三つだけに絞り、残りは初期値のまま触らない。

　引けば引くほど、質感の純度が上がった。

　一枚の絵から全体を学習させると、AIは「何が描いてあるか」を優先し、筆致を付随的な情報として平均化してしまう。しかし、質感の断片だけを二十枚、三十枚と渡すと、AIは「この人の表現において最も重要な情報は、この筆致の重なりそのものだ」と認識を改める。

　全体を極力減らし、細部だけを渡す。

　絵の「何が描いてあるか」を引いて、「どう描いてあるか」だけを残す。

　これが「マイナスの仕事」の核心である。

　　　　＊

　タグについても同じ原理が働く。

　LoRA学習において、タグに記述した情報は、AIが「既知の事実」として処理し、学習の主対象から切り離す。一方、タグに記述しなかった情報は、AIが言葉で説明できない「残差」として認識し、トリガーワードに凝縮する。

　つまり、タグに書いたものは引かれ、書かなかったものが残る。

　多くの人がここで逆の直感を持つ。タグをたくさん書けば、その要素が強調されて学習されるだろう、と。実際には、その真逆なのだ。

　厚塗りの質感をトリガーワードに込めたいなら、それ以外の要素──少女の顔、花の色、背景の空──をしっかりタグで記述して「切り離す」必要がある。AIに既知の概念として処理させることで、残された筆致だけが、純粋な表現としてトリガーワードに凝縮される。

　これは、宗達が金箔で背景を埋めたのと同じ構造だ。描かないもの（金箔）を置くことで、描いたもの（風神雷神）だけが浮かび上がる。

　タグで「描かないもの」を指定することで、質感だけが浮かび上がる。　　　　＊

　ネガティブプロンプトも、同じ思想の延長にある。

　AIに「何を生成してほしいか」を伝えるのがプロンプトなら、「何を生成してほしくないか」を伝えるのがネガティブプロンプトだ。

　多くのユーザーはプロンプト側に言葉を積み重ねることに集中し、ネガティブプロンプトには定型文を貼り付けるだけで済ませてしまう。しかし、質感を守るという目的においては、「何を描かないか」の指定の方がはるかに重要になる場面がある。

　滑らかすぎる表面を拒否する。写真的な光沢を拒否する。デジタル特有のノイズパターンを拒否する。

　一つずつ「不要なもの」を言葉で引いていくことで、残るべきものの純度が上がる。

　足し算の世界では、正解に近づけるために選択肢を増やす。引き算の世界では、不正解を取り除くことで正解が浮かび上がる。

　「マイナスの仕事」とは、後者の方法論である。

　　　　＊

　本書のこれから先の章では、この思想を五つの実践領域に展開する。

　第二章では、光を扱う。正面からの光を引いて、横からの光だけを残すことで、AIがノイズとして切り捨てていた凹凸が「保存すべき構造」として認識される。

　第三章では、ベースモデルを扱う。複数のベースモデルを混ぜることをやめ、一つの懐の深いベースモデルに絞ることで、質感の再現精度が上がる。

　第四章では、言葉を扱う。プロンプトに書く言葉を減らし、「書かないこと」でトリガーワードに表現を凝縮させる。

　第五章では、タグを扱う。自動抽出されたタグからあえて消すことで、個性が純化される。

　第六章では、設定を扱う。多機能なソフトウェアの中で触るスイッチを三つだけに限定する。

　第七章では、工程を扱う。絵の全体を捨て、質感の断片だけをサンプリングする。

　いずれの章にも、同じ原理が貫かれている。

　引いた先に、本質が残る。

第二章　光

　光には二つの仕事がある。一つは色を見せること。もう一つは構造を見せること。

　正面から光を当てれば、色が正確に記録される。赤は赤として、青は青として、画面全体が均一に照らされる。カメラにとっても、AIにとっても、それは「正しい」記録だ。

　しかし、その「正しさ」が質感を殺す。

　正面光のもとでは、絵具の凹凸は消える。筆の盛り上がりも、キャンバスの布目も、層の段差も、すべてが平面に還元される。AIが受け取るのは「色の分布」だけになる。構造の情報は、最初から存在しなかったことにされる。

　質感を守るためにまず引くべきものは、正面からの光だ。

　　　　＊

　では、何を残すのか。

　横からの光を残す。

　光源を作品の真横に近い位置に置く。スマートフォンのライトでも、窓からの自然光でも構わない。光が画面を舐めるように走ると、肉眼では見落としていた筆跡の盛り上がりが、鋭いコントラストを伴う陰影として浮かび上がる。

　保存修復の現場では、これを斜光撮影（レーキングライト）と呼ぶ。作品表面の物理的状態を記録するための、基本的な手法の一つである。

　正面光が記録するのは「色」だ。しかし斜光が記録するのは「厚み」である。

　絵具の盛り上がりの片側に光が当たり、反対側に影が落ちる。この明暗の対比が、物理的な「段差」の証拠になる。AIに対して「ここには平面ではなく構造がある」という情報を、光の角度を意図的に変えることで表現できる。

　正面光を引いて斜光だけを残す、という行為だ。光の引き算である。

　　　　＊

　実を言えば、私自身はこの手法を確立する過程で、プロのようなライティングを組んで撮影したわけではない。

　ごく日常的な環境で記録したデータ、もしくはCC0のライティング条件の良いデータから、マチエルのデジタル資産化は完成している。

　なぜ、それで十分だったのか。

　理由は、私が使用したチェックポイントモデルにある。DreamShaperXL alpha2というモデルは、画像の中に微かに存在する色の境界やわずかな濃淡を、単なる色むらとして平均化するのではなく、物質の構造として拾い上げる能力が極めて高い。

　つまり、日常的な照明環境の中にもわずかに含まれていた斜光成分を、このモデルが勝手に「構造の手がかり」として読み取ってくれたのだ。

　これは偶然の成功だった。しかし、偶然に頼る必要はない。　　　　＊

　狙って確実にマチエールを資産化したい人のために、ここからは意図的な光の引き算について述べる。

　アナログ作品の場合。

　光源を作品の真横に近い位置に置く。正面からの光はできるだけ引く。すると、絵具の盛り上がりの一方に光が当たり、もう一方に影が落ちる。

　この陰影こそが、AIが平均化を諦め、物質として認識するための手がかりになる。「陰影」という物理的な証拠を提示することで、AIはマチエールを「消すべきノイズ」ではなく「保存すべき構造」として翻訳し始める。

　撮影に高価な機材は必要ない。スマートフォンのライトを横から当てるだけで、質感の記録精度は劇的に変わる。三十万円の機材を買う代わりに、光の角度を変える。それだけで良い。

　これもまた、引き算の仕事だ。

　　　　＊

　デジタル作品の場合は、事情が少し異なる。

　デジタル作品には物理的な凹凸が存在しない。したがって、横から光を当てるという手法がそのまま使えない。

　しかし、同じ原理を別の方法で適用できる。疑似的な「厚み」を作るのだ。

　筆跡の終端や、色が重なっている境界線に、一ピクセルのハイライトと一ピクセルのシャドウを隣接させて描く。この極めて細い明暗の対比を、AIは単なるグラデーションではなく、物理的な段差やエッジとして解釈する。

　たった一ピクセルの光と影。それだけで、AIは「のっぺりとした塗り」への平均化を止め、そこに物質的な奥行きを再構築しようとする。

　デジタル作品における光の引き算とは、「すべてが均一に照らされている状態」から余分な光を引き、微細な明暗の対比だけを残すことだ。描き加えるのは一ピクセルのハイライトと一ピクセルのシャドウだけだが、それは「均一な光」を引いた結果として生まれるものである。

　　　　＊

　光の引き算をまとめると、こうなる。

　正面光を引く。斜光を残す。

　アナログ作品なら、光源を横に移動させるだけで実現できる。デジタル作品なら、一ピクセルの明暗対比を描くことで疑似的に実現できる。

　いずれの場合も、AIに渡す情報から「色だけの記録」を引いて、「構造の記録」を残すという操作をしている。

　正面光は色を正確に伝える。しかし、質感を守るという目的においては、その正確さが邪魔になる。色の正確さを少し犠牲にしてでも、構造の情報を優先する。それが光における「マイナスの仕事」だ。

　序章で述べた「AIは質感をノイズとして切り捨てる」という問題。その第一の対策は、AIにノイズではなく構造であると認識させるための証拠を、光によって提示することにある。

　ただし、その証拠を作るために必要なのは、高価な照明機材を足すことではない。正面からの光を引くことだ。

　面ではなく、層を撮る。

　色ではなく、構造を撮る。

　光の引き算が、質感を守る最初の一手になる。

この本の考え方に関連する記事

「引き算のAI」で提示した問題意識を、個別のテーマで掘り下げた記事群がある。

ツルツル問題の構造:

「足し算」ではなく「引き算」:

質感LoRAの実践:

全記事を一覧で見る:


**接続の根拠:** 引き算のAIは全コンテンツの思想的基盤。article1（ツルツル問題）・article2（NOT スタイルLoRA）・article10（脱ツルツルの限界）・article14（なぜ気持ち悪い）・article13（重ねがけ）・article15（見分け方の逆算）——すべてこの書籍の延長線上にある。

続きはKindleで

第三章以降では、ベースモデルの選定、プロンプト設計、タグ戦略、設定値の最適化、そして工程全体の「引き算」を体系的に解説しています。

📖 Kindle版はこちら

「引き算のAI: 質感（テクスチャ）を守るLoRA学習の技法」

TextureLoRALab（シツカン）著

¥1,250 / Kindle Unlimited対象

© TextureLoRALab (Shitsukan). All rights reserved.

✍️ この記事を書いた人
シツカン｜質感LoRAラボ
日本画→芸術学→英国博物館学修士→AIエンジニア。
キャンバスの質感をAIに刻む研究をしています。

🔬 無料LoRAを試す → https://civitai.com/user/TextureLoraLab
📖 技術記事をもっと読む → https://texture-lora-lab.com?utm_source=note&utm_medium=article&utm_campaign=sleeper-shifuku&utm_content=shitsukan-footer
🎓 毎月の新作LoRA＋解説を受け取る → https://note.com/texture_lora_lab/membership

質感LoRAラボの入口はこちら → https://note.com/texture_lora_lab/n/nc6b9fe2692a4 

いいなと思ったら応援しよう！