新清士の「メタバース・プレゼンス」 第145回

ComfyUI、画像生成AI「Anima」共同開発　アニメ系モデルで“SDXL超え”狙う

実践：かなり表現の幅が広い

　では、実際の表現力を探ってみます。Animaは現時点でも様々な表現力を内包しています。それを明らかにするために、画像を分析させて、その再現性をみることで、タグを通じてどの程度の再現力があるのかを試します。

　例として、過去にこの連載で作成したゲストキャラクター“田中さん”の画像を使います。その上で、Danbooru式のオートタガー（Wd-v1-4-vit-tagger）を使い、その再現力をSDXLとAnimaとで比較します。さらに、2025年10月に公開された軽量VLモデル「Qwen3-VL-2B-Instruct」も使い、その違いを比較します。このモデルでは、どの程度の複雑さでテキストを出力するか選べるようになっており、タグ、シンプル、ディテール、シネマティックなど、9種類のモードから選べるようになっており、それにより生成されるテキスト量や性質が変わってくるようになっています。そのうち4つを試しています。（ComfyUI用のサンプルワークフローは、最後に公開）

Animaでの生成結果比較

　生成された画像は、同系統のSDXLで近い顔が出ていますが、Animaでも実写よりですが同じような顔が生成されています。興味深いのが、Qwen3-VLが生成したもので、Danbooruタグではないタグ生成ではイラスト寄りに、シンプルでは情報が少なく、ディテールでは過剰に書き込まれたものに、シネマティックでは逆光が強調されています。

　それぞれが、別の絵柄になっていることがわかるように、Animaの潜在空間にはかなり幅が広い画像が存在していると考えられます。SDXLではここまでの多様性はオートタガーだけでは引き出すことはできません。

　同じく、今度は、明日来子さんがコーヒーを飲む姿で、試してみました。やはり同じように、絵柄がかなり違っています。写真風画像をもとにしているので、使っているプロンプトが多めの設定にすると実写に近づいていきます。かなりバラけた絵柄で出ているのがわかります。

写真風画像からのAnimaでの生成結果比較

　もっと複雑な構成の画像でも試してみます。３人のキャラクターが登場するような画像では、SDXLではキャラクターの要素が混じってしまいます。Animaも必ずしも成功していませんが、結果が近いものは、自然文で出力しているシンプルとディテールです。

複雑な構成画像のAnimaでの生成結果比較

　Danbooruタグに強いとはされているものの、実際のところは、自然文もかなり認識すると考えて良いようで、組み合わせて使うと効果が高まりそうにも思えます。