開示: 本記事はFloyoとのパートナーシップに基づき、検証用の計算環境の提供を受けて執筆しています。

TL;DR

H100とRTX 4090で同一LoRA・同一Seed・同一パラメータの画像を生成し、質感の再現度を比較した
結論：GPUが変わっても、質感LoRAの出力品質に差はない
出力の「傾向」の差はGPUではなく、UI基盤（A1111 vs ComfyUI）のサンプリング実装の違い
GPUの真価は推論品質ではなく、学習（LoRAトレーニング）の高速化にある

1. 「ツルツル問題」をGPUで解けるのか？

AI画像には質感の問題がある。すべての表面が滑らかすぎる、いわゆる「ツルツル問題」だ。質感LoRAはこの問題に対する一つの回答だが、もう一つの問いが残っていた。

──GPUの性能が上がれば、質感の再現度も上がるのか？

H100を使った。学習は確かに速い。圧倒的に。

でも、自分が気になっていたのはそこじゃない。

「箔打ちのシワが生む乱反射」「螺鈿の薄膜干渉が作る構造色」──これらはVRAMの量や演算速度とは別の話のはずだ。

RunPodのRTX 4090で300回以上学習してきた自分が、FloyoのH100 NVL（94GB VRAM）で同じLoRAを使って生成したとき、出力に何が起きたか。同一seed・同一パラメータで比べた記録を残す。

2. 検証条件

方法論的な前提

RunPodではA1111（WebUI）、FloyoではComfyUIを使用
Seed実装が異なるため完全同一画像にはならない
この比較は数値による差分分析ではなく、質感研究者としての所感を記録するもの

ただし、この差はGPUの差ではなくUI基盤の差だ。品質を落とすことなく移行できるという前提の上で、LoRAの質感表現の比較に踏み込む。

共通設定

項目	RunPod	Floyo
GPU	RTX 4090 (24GB)	H100 NVL (94GB)
UI	A1111 WebUI	ComfyUI
Model	DreamShaperXL	DreamShaperXL

各パターンの個別パラメータ

パターン	LoRA	Steps	Seed
猫 NoLoRA	なし	35	2176997588
鶴 NoLoRA	なし	40	1267967603
金箔鶴	GOLDLEAF_v1 強度0.60	20	3897294094
螺鈿猫	RADEN_PEARL_v2 強度0.80	35	2176997579

3. ベースライン：LoRAなしの出力

金箔鶴・NoLoRA

Prompt: masterpiece, best quality, Japanese folding screen, gold leaf background, 
traditional art, intricate floral patterns, pine tree and crane motif, museum quality

RunPod版（A1111＋RTX 4090）：
白鶴が画面上部に大きく配置され、左右を松が挟む屏風構図。背景の金地のコントラストが強く、金の色調はやや落ち着いたアンバー寄り。全体に重厚で密度の高い画面。日本画で言えば狩野派的な力強さ。

Floyo版（ComfyUI＋H100）：
黒い鶴が画面下部に位置し、右側に太い松の幹が支配的。金の色調はRunPod版より明るく、やや冷たい。画面全体に空気感があり、余白が遠近感を感じさせる。日本画で言えば円山四条派的な写実と瑞々しさ。

螺鈿猫・NoLoRA

Prompt: japanese painting, cute cat, Background is intricate Raden, 
shimmering iridescent shells, soft rim lighting

RunPod版：愛らしい縞模様の猫と貝殻のような葉っぱのモチーフ。螺鈿の質感はほとんど猫には反映されておらず葉っぱにのみ色味として現れている。

Floyo版：猫の背後に月輪のような光の円があり、濃紺の空に金色の光の粒が散る。夢幻的な雰囲気。RunPod同様に螺鈿の質感はほとんど猫には反映されていない。

ベースラインの所見

金箔鶴、螺鈿猫の2パターンとも、RunPodとFloyoで品質の優劣がはっきりしているとは感じない。どちらもDreamShaperXLの実力を十分に引き出している。

ただし、出力の「傾向」は明確に異なる。RunPod版はコントラストが強く構図が密で、Floyo版は色調が明るく空間的な余白がある。この差はGPUの差ではなく、A1111とComfyUIのSeed解釈・サンプリング経路の違い。

4. 金箔LoRA（SHIFUKU_GOLDLEAF_v1）の出力比較

設定	値
LoRA	SHIFUKU_GOLDLEAF_v1
強度	0.60
Steps	20
Seed	3897294094

RunPod版：
水辺に佇む鶴を、松と岩と霧で囲んだ山水画的な構図。金地はあるが、水墨のグラデーションが金を抑え、全体として渋く落ち着いた古色。どちらかというと「経年で馴染んだ箔」の表現。

Floyo版：
鶴と松だけのシンプルな構図に対して、金地が画面の主役。箔打ちのシワが全面にはっきりと走り、光の当たり方でムラが出る金箔の物理特性が鮮明に再現。

質感の観察ポイント

金箔の質感を評価する視点は三つ：

箔足の透け ── 金箔の縁が下地に溶け込む部分。本物の箔は箔打ちの圧で厚みが不均一になり、薄い部分から下地の赤茶が透ける
乱反射のムラ ── 金箔表面は平滑ではなく、微細なシワが全面に走る。光の反射が均一でないことが「箔らしさ」の根拠
経年の割れ ── 膠（にかわ）の収縮で金箔は時間とともにひび割れる。新品の箔と古びた箔は別物の質感を持つ

所見：同じLoRA・同じ強度0.60でも、ベースとなる出力傾向が違えば「箔のどの側面が強調されるか」が変わる。コントラストの強いA1111では経年感が、明るいComfyUIでは物理的な箔のテクスチャが前面に出た。

5. 螺鈿LoRA（SHIFUKU_RADEN_PEARL_v2）の出力比較

設定	値
LoRA	SHIFUKU_RADEN_PEARL_v2
強度	0.80
Steps	35
Seed	2176997579

RunPod版：
螺鈿蒔絵の丸盆を真上から見ているような画面。猫の周囲にアワビ貝の断片が配置され、それぞれが独立した虹彩を放っている。毛並みに螺鈿の虹色が移植に成功。

Floyo版：
猫を蓮花と金地が包む、絵画的な構図。螺鈿の虹彩が貝殻という個別要素ではなく、猫の体表そのものに薄膜干渉が柔らかく走る。光の現象としての螺鈿を捉えた表現。

螺鈿とAIの根本的な課題

螺鈿はLoRA学習の中でも特殊なケースだ。AIは「色を足す」方向で螺鈿を解釈しようとする。赤も緑も紫も一度に出てくる。

本物の螺鈿は違う。アワビの貝殻の薄膜が光を干渉させ、見る角度によって色が変わる。色の数ではなく、光の物理現象だ。

所見： RunPod版は「螺鈿＝貝殻の虹色」を個別のオブジェクトとして配置し、Floyo版は「螺鈿＝薄膜干渉の光」を画面全体に拡散させた。A1111のサンプリングは質感をオブジェクト単位で具象化しやすく、ComfyUIは画面全体に拡散させやすい──という仮説が浮かぶ。

6. なぜ「品質の差」が出ないのか──技術的な裏付け

画像生成は「計算問題」、GPUは「計算機」

AI画像生成（推論）は、ノイズ画像から少しずつノイズを除去していく計算の繰り返しだ。同じノイズ（=同じSeed）から始めて、同じ手順（=同じSampler・Steps・CFG）で計算すれば、答えは同じになる。足し算の答えが電卓のメーカーで変わらないのと同じ理屈。

では、なぜ微差が「あり得る」のか

精度の違い：
  RTX 4090 → FP16（半精度浮動小数点）が得意
  H100     → BF16（Brain Float 16）が得意
  どちらも16ビットだが、小数点以下の丸め方が微妙に違う

計算経路の違い：
  畳み込み演算の足し算の順番が異なる
  1+2+3 と 3+1+2 は人間には同じだが、
  小数点演算では丸め誤差の蓄積が変わりうる

その差はどのくらいか

指標	閾値	GPU間の差
SSIM（構造類似度）	0.99以下で知覚可能	通常0.999以上
PSNR	60dB以下で知覚可能	60dB以上

今回の検証で構図や色調が異なるのは、FP精度の誤差ではなく、A1111とComfyUIのサンプリング実装の違い。もしRunPod上でComfyUIを動かせば、Floyoと同じ傾向の画像が出る。GPUの話ではない。

7. 結論：GPUが変わっても、質感は変わらない

検証の結果を一言でまとめる。

画像生成（推論）において、H100とRTX 4090の出力に品質の差はない。

NoLoRA 2パターン、金箔LoRA、螺鈿LoRA──すべてのパターンで結論は変わらない。質感LoRAの微細なテクスチャ表現においても、GPUの違いは品質に影響しない。

そしてこれは「がっかりな結果」ではなく、むしろ安心材料。

GPUで画質が変わるなら、「最高のGPUを買い続けなければ最高の質感は出せない」ことになる。でも現実はそうではない。RTX 4090で作ったLoRAも、H100で作ったLoRAも、推論段階では同じ質感を再現する。

GPUの選択は「速度とコストと環境の快適さ」で決めていい。質で選ぶ必要はない。

H100の真価はどこにあるのか

推論ではなく、学習（LoRAトレーニング）。

スペック	RTX 4090	H100 NVL
VRAM	24GB	94GB
メモリ帯域幅	~1,008 GB/s	3,938 TB/s
倍率	1x	約4x

H100の価値は「同じ質の画像をより速く生む」ことではなく、「同じ時間でより多くの試行を回して、質感の表現を追い込める」こと。

質感の再現度を決めるのは、データセットの質とLoRAの設計であり、GPUの性能ではない。「ツルツル感の正体は質感の不在」という命題はここでも成立する。GPUを替えて速くなっても、学習させていない質感は出ない。

「質感を探す速度」が上がる──これが正確な言い方だ。

補足：質感の「源流管理」という視点

GPUが変わっても質感が変わらないことを確認できた。では次の問いは、「その質感を誰が作ったのか」をどう証明するかだ。

LoRA学習は、学習データのキュレーション、パラメータの調整、出力の評価を繰り返す研究プロセスであり、それ自体が創作行為と言える。しかし現状、C2PAやSynthIDといった技術は「AIが生成した」ことは証明できても、「誰がどのLoRAで、どんな質感設計の意図を持って生成したか」までは追跡できない。

この「構造的ギャップ」──生成AIの来歴証明と、クリエイターの創作意図の証明のあいだに存在する溝──を埋めるアプローチとして、ブロックチェーンベースの画像保護ツール AI和指紋くんがある。

生成画像に不可逆の来歴情報を刻むことで、「この質感は、このLoRAで、この研究者が生成した」という事実を第三者検証可能な形で記録する。GPUの選択が品質に影響しないからこそ、質感の「所有」を証明する仕組みが重要になる。

★ 2026年6月時点の実測に基づいています。

✍️ この記事を書いた人
シツカン｜質感LoRA研究所
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 → CivitAI
📖 技術記事をもっと読む → 質感LoRA研究所