はじめに
前回の記事「ComfyUI における Image-to-Image 変換」では、Image-to-Image ワークフローを構築するための基礎を探りました。潜在空間における拡散が、入力画像の重要な要素を保ちながら創造的な変換を可能にする仕組みについて説明しました。ComfyUI や Image-to-Image ワークフローが初めての方は、基礎を理解するためにまずその記事を読むことをおすすめします。
この続編ガイドでは、プロンプトの作成、Classifier-Free Guidance (CFG) スケール、そしてデノイズ強度という、生成画像の品質とスタイルに影響する 3 つの重要な要素についてさらに深く掘り下げます。これらのパラメータを最適化することで、芸術的な創造性と元の画像への忠実さの完璧なバランスを実現できます。
CFG スケールとは何か、なぜ重要なのか
Classifier-Free Guidance (CFG) スケールは、モデルが与えられたプロンプトにどれだけ強く従うかを決定する、生成 AI ワークフローにおける重要なパラメータです。CFG スケールが高いほどプロンプトの影響が大きくなり、低いほどモデルは潜在空間からより多くのランダム性を取り入れることができます。
CFG スケールは、入力画像の特定のディテールを保持しながら様式的な変更を加えたい Image-to-Image ワークフローにおいて特に重要です。
Image-to-Image プロンプティングにおける主要なパラメータ
1. 効果的なプロンプトの作成
Image-to-Image ワークフロー用のプロンプトを作成する際には、コンテンツとスタイルの両方の要素を含めることが不可欠です。よく練られたプロンプトにより、モデルは創造的なビジョンに合った画像を生成できます。
プロンプトの例：
- コンテンツ プロンプト：
雄大な山頂、緑豊かな谷、雲間から差し込む黄金色の太陽光、大気の霧、穏やかで静か。 - スタイル プロンプト：
水彩画、柔らかい筆致、鮮やかでありながら自然なカラーパレット、芸術的な印象。 - ネガティブ プロンプト：
建物なし、車両なし、人物なし、人工物なし。
ネガティブ プロンプトは、意図した構図を損なう可能性のある不要な要素を除去するために不可欠です。
2. デノイズ強度
デノイズ強度パラメータは、生成プロセスによって元の画像がどれだけ上書きされるかを制御します。
- 高いデノイズ (例：1.0)：プロンプトに基づいて入力画像を完全に変換します。
- 中程度のデノイズ (例：0.5)：入力画像と様式的な変更のバランスを取ります。
- 低いデノイズ (例：0.0–0.3)：元の画像の大部分を保持し、最小限の芸術的な変更を加えます。
3. スケジューラとサンプラの設定
ComfyUI には、画像生成プロセスを微調整するためのさまざまなサンプラとスケジューラが用意されています：
- DPM++2M サンプラ：精度と高品質な出力で知られています。
- Karras スケジューラ：拡散の初期段階に焦点を当て、より少ないステップで高速な結果が得られるよう最適化されています。
ワークフローの最適化
ステップ 1：CFG スケールの調整
CFG スケールを上げるとプロンプトの影響が増幅され、より様式化された出力が得られます。たとえば：
- CFG スケール 7–8：プロンプトと元の画像を融合させたバランスの取れた結果を生み出します。
- CFG スケール 10–12：プロンプトへの強い追従を示しますが、過学習やハルシネーションを引き起こす可能性があります。
高い CFG スケールを使用する場合は、入力画像から過度に逸脱しないよう、適切なデノイズ値と組み合わせることが不可欠です。
ステップ 2：デノイズ設定の微調整
元の画像と芸術的スタイルの望ましいバランスを実現するには：
- 適度な拡散のために、デノイズ値 0.5から始めます。
- 元の画像を保持しながらディテールを微調整するため、デノイズ値を少しずつ下げていきます (例：0.45、0.44)。
- 0.0に近い値は避けてください。入力画像とほぼ同一の結果が生成されます。
ステップ 3：効率化のための Karras スケジューラの使用
Karras スケジューラにより、高品質な結果を維持しながらステップ数を少なくできます。たとえば：
- 30 ステップ：詳細で洗練された出力を生成します。
- 8 ステップ：より高速でランダム性の高い構図を生成します。
結果の例
デノイズ値の比較
山岳風景の画像を使用すると、次の結果が観察されました：
- デノイズ 1.0：元の画像とまったく似ていない、完全に様式化された水彩画。
- デノイズ 0.5：認識できる山頂を持つ、バランスの取れた芸術的なレンダリング。
- デノイズ 0.3：元の画像とほぼ同一で、わずかな芸術的強調が加わっています。
- デノイズ 0.0：純粋にリサンプリングされた画像で、入力と区別がつきません。
CFG スケールの影響
CFG スケール 10とデノイズ 0.4を使用した場合、最終画像は芸術的スタイルを保持しながら、元の写真のディテールにもよく一致しました。ただし、CFG を上げすぎると (例：デノイズ 1.0 で CFG 12)、過学習が生じ、非現実的な結果になりました。
微調整のヒント
- CFG スケールを試す：
- 適度な値 (例：8) から始め、希望する出力に応じて調整します。
- プロンプトが強い影響を必要とする場合を除き、過度に高い値は避けてください。
- ネガティブ プロンプトを使用する：
- 建物、車両、人工物などの不要な要素を除去します。
- Karras スケジューラでステップ数を最適化する：
- 高速な結果を得るためにステップ数を少なくします (例：8)。
- 詳細な出力を得るためにステップ数を増やします (例：30)。
- デノイズ値を繰り返し調整する：
- 最適なバランスを得るために、デノイズ設定を少しずつ微調整します (例：0.5 → 0.45 → 0.44)。
まとめ
プロンプティングと CFG スケールは、Image-to-Image ワークフローにおいて、ユーザーが生成画像の芸術的スタイルと忠実度を制御できる強力なツールです。デノイズ強度、CFG スケール、サンプラ設定などのパラメータを慎重に調整することで、ユーザーは元の画像を尊重しながら創造的な強調を加えた見事な変換を作成できます。
Image-to-Image ワークフローについてさらに深く学びたい場合は、前回の記事を読み返し、ここで説明したテクニックを試して結果をさらに磨き上げてください。
1 thought on “C21: Mastering Image-to-Image Prompting and CFG Scale in ComfyUI”