中部大学新谷研究室 Advent Calendar 2025：サルコメア動態（HSOs/S4C）と Chaordic Homeodynamics Advent Calendar 2025

中部大学新谷研究室 / Shintani Lab, Chubu University

オプトイン・パブリックドメインで学習した画像生成AI後編

Last updated at 2025-12-11Posted at 2025-12-11

事前準備：Hugging Face アカウント用意とアクセス権

Hugging Face でアカウント作成

Mitsua Likes モデルページを開く

「Agree」ボタンで利用条件に同意

Mitsua Likes 表示-非営利ライセンスとプライバシーポリシーに同意する必要があります。

Hugging Face の Access Token を発行

Settings → Access Tokens → New token（権限は read でOK）

このトークンを Colab から使って、モデルにアクセスします。

Google Colab で Mitsua Likes を動かす

ここからはコピペで動くコードを載せていきます。
コードはChatGPTに出力させましたが、GoogleColab上での動作は確認しています。
このように動作確認を人間が行うことでAIが出力したコードであっても最終的なコードからはAIのブラックボックス性を排除することができ、AI to Learn（AI2L）の一種と言えるでしょう。

AI to Learn（AI2L）について

ランタイム設定

Colab で新しいノートブックを作成し、メニュー → 「ランタイム」 → 「ランタイムのタイプを変更」、ハードウェアアクセラレータ：GPUに設定しておきます。(T4でやりました)

2. ライブラリのインストール

モデルカードの推奨バージョンに合わせて、diffusers, transformers, sentencepiece を入れます。

python


# peft のバージョンが新しすぎるので、peft を下げます
!pip uninstall -y peft diffusers transformers

# Mitsua Likes のモデルカードで推奨されているものと古い peft を入れ直し
!pip install -q \
  "transformers==4.44.2" \
  "diffusers==0.31.0" \
  "peft==0.17.1" \
  "sentencepiece==0.2.0" \
  accelerate \
  safetensors

初回は数十秒〜数分かかります。

Hugging Face にログイン

huggingface_hub を使って、先ほど発行したトークンでログインします。

python


from huggingface_hub import login

セルを実行すると、トークン入力のプロンプトが出ます

「Enter your token:」と出たら、ブラウザからコピーしたトークンを貼り付けて Enter

成功すると "Token is valid (permission: read)." のようなメッセージが出ます

ここにread権限を与えたトークンを入れてください。

DiffusionPipeline で Mitsua Likes を読み込む

モデルカードに記載されている公式のサンプルにかなり近い形で読み込みます。

python


from diffusers import DiffusionPipeline
import torch

device = "cuda" if torch.cuda.is_available() else "cpu"
dtype = torch.float16 if device == "cuda" else torch.float32

pipe = DiffusionPipeline.from_pretrained(
    "Mitsua/mitsua-likes",
    trust_remote_code=True,  # モデル固有のカスタムコードを有効化
).to(device, dtype=dtype)

trust_remote_code=True を付けることで、Mitsua Likes 用に実装された拡張機能（類似キャラ検出など）も使えるようになります。

実際に画像を生成してみる

アニメ調のオリジナルキャラクターを生成する例です。

python


from IPython.display import display
from google.colab import files
from datetime import datetime  # ★ 追加

prompt = "オリジナルの少女キャラクター、やわらかい色合い、シンプルな背景、デジタルイラスト"
negative_prompt = "低品質, ぼやけ, ロゴ, 文字"

ret = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    guidance_scale=5.0,
    guidance_rescale=0.7,
    width=768,
    height=768,
    num_inference_steps=40,
)

# 類似キャラチェック（安全版）
if ret.detected_public_fictional_characters:
    print("Similarity Restriction:", ret.detected_public_fictional_characters[0])
    print("Similarity Measure:")
    for k, v in ret.detected_public_fictional_characters_info[0].items():
        print(f"{k} : {v:.3%}")
else:
    print("Similarity Restriction: [] （既存キャラへの類似は検出されませんでした）")

# 画像表示
image = ret.images[0]
display(image)

# 日時入りファイル名を自動生成（例: mitsua_20251202_153045.png）
now_str = datetime.now().strftime("%Y%m%d_%H%M%S")
filename = f"mitsua_{now_str}.png"

# 保存＋ダウンロード
image.save(filename)
print("saved as:", filename)
files.download(filename)

★ 類似性判定モデルの出力がチェックされています

再掲


if ret.detected_public_fictional_characters:
    print("Similarity Restriction:", ret.detected_public_fictional_characters[0])
    print("Similarity Measure:")
    for k, v in ret.detected_public_fictional_characters_info[0].items():
        print(f"{k} : {v:.3%}")
else:
    print("Similarity Restriction: [] （既存キャラへの類似は検出されませんでした）")

# 画像表示
image = ret.images[0]
display(image)

生成コードの最後に生成結果が学習済みのコラボキャラクターなどに似すぎていないかを確認するための仕組みが入っています。

プロンプト設計のコツと注意点

得意なジャンルに寄せる

前述のとおり、Mitsua Likes は「アニメ調のポートレートやシンプルな風景」などに強みがあります。

例えば：

「オリジナルの少女キャラクター、シンプルな背景、やわらかい色使い」

「ファンタジー風の森の風景、淡い色合いのイラスト」

「レトロ風の街並み、アニメ調、夕方の空」

といったプロンプトを試してみると、割と安定して“それっぽい”画像が出やすいです。

NGプロンプト例

特定の既存アニメ／ゲーム作品名＋キャラ名を直接指定する

実在のイラストレーター名・写真家名などをスタイル指定に使う

実在の企業ロゴ、ブランド、マスコットキャラの再現を明示的に求める

モデル自体も、Wikidataベースのフィルタリングやタグ付けで権利侵害・有害コンテンツを避けるように設計されていますが、最終的な責任は利用者側にあります。

Mitsua Likes の制約と注意点（技術＋ライセンス）

追加学習や画像→画像は出来ない仕様

モデルカードによると、このリポジトリに含まれている VAE Encoder の重みは「誤用防止のため初期化された状態」になっており、技術的にもライセンス的にも：

画像を使った追加学習（fine-tuning）、image-to-image 変換は禁止されたうえで、そもそも出来ないようになっています。

もし自前データでの追加学習を行いたい場合は、非営利の研究用途 or 個人の創作用途に限って、別途 VAE Encoder を含むフルモデルのアクセス申請フォームが用意されています。

利用が禁止されている用途

モデルカードでは、「他人の権利侵害や、名誉・信用を傷つけるような使い方」などは明確に NG とされています。

著作権・肖像権・プライバシー権の侵害

誹謗中傷・差別・フェイクニュースの拡散等

このあたりは一般的な生成AIモデルと同様ですが、Mitsua Likes は「権利と倫理を非常に重視したプロジェクト」なのでその点も踏まえて適切な利用を行って下さい。

生成されたイラスト

イラストのクオリティにはこだわってません。
クオリティの向上はこのQiitaが評判良ければ試します。

プロンプトは

プロンプト


アニメ風、銀髪、高画質、かわいい、制服、美少女、はっきりとした顔立ち、アニメのような見え方

この程度の指定です。(細かく考えてないともいう)

まあとりあえず、権利的にかなりクリアーな画像生成AIを触ってみましたが普通にgoogleColabで利用できますね。

オプトイン・パブリックドメインで学習した画像生成AI後編

事前準備：Hugging Face アカウント用意とアクセス権

Hugging Face でアカウント作成

Mitsua Likes モデルページを開く

「Agree」ボタンで利用条件に同意

Hugging Face の Access Token を発行

Google Colab で Mitsua Likes を動かす

セルを実行すると、トークン入力のプロンプトが出ます

実際に画像を生成してみる

★ 類似性判定モデルの出力がチェックされています

プロンプト設計のコツと注意点

得意なジャンルに寄せる

NGプロンプト例

Mitsua Likes の制約と注意点（技術＋ライセンス）

追加学習や画像→画像は出来ない仕様

利用が禁止されている用途

生成されたイラスト

関連情報