この記事で解決すること

AIキャラクターの画像生成では、単発の見栄えよりも「同じ人物として認識できる状態」が複数の衣装、背景、ポーズ、動画フレームで続くことが重要です。

本稿では、次の3点を再現できる最小構成を作ります。

基準画像と生成結果を同じ条件で比較する
顔、色、衣装、ポーズ、時間変化を別々に採点する
モデルやプロンプト更新後の回帰を自動で見つける

この記事は Ponys.ai チーム がキャラクター画像と短尺動画を検証するときの観点を、特定サービスに依存しない形へ整理したものです。

先に結論：1つの総合点だけでは足りない

総合点が高くても、髪飾りだけが消える、動画の途中で目の色が変わる、といった重大な破綻は起こります。そこで指標ごとに最低点を設定します。

指標	目的	最低点の例
顔特徴	同一人物に見えるか	0.78
色パレット	髪・瞳・衣装色が保たれるか	80/100
衣装属性	固有の服装や装飾が残るか	85/100
ポーズ	指示した構図が再現されるか	75/100
時間的一貫性	動画内で外見が揺れないか	80/100

数値はモデルや画風で変わるため、最初の30〜50サンプルから自分の基準を校正してください。

1. 評価データセットを固定する

まず、1キャラクターにつき次の12ケースを保存します。

正面・通常表情
正面・笑顔
左右の横顔
上半身
全身
明るい屋内
暗い屋内
屋外
基本衣装
別衣装
座りポーズ
3〜5秒の短尺動画

キャラクターを新規作成する場合は、キャラクター作成フローで基準となる説明と画像を先に固定します。途中で設定を変えると、モデル差ではなく入力差を測ってしまいます。

保存形式は簡単なJSONで構いません。

{
  "character_id": "char_001",
  "reference_version": "v1",
  "hair_color": "black",
  "eye_color": "green",
  "signature_items": ["silver hairpin", "navy jacket"],
  "cases": ["front", "profile_left", "full_body", "night", "video_5s"]
}

2. 顔特徴の類似度

基準画像と生成画像から顔埋め込みを取得し、コサイン類似度を計算します。

from numpy import dot
from numpy.linalg import norm

def cosine_similarity(a, b):
    return float(dot(a, b) / (norm(a) * norm(b)))

正面画像だけで閾値を決めると横顔を誤判定しやすいため、正面・横顔・表情変化を別グループで集計します。顔を検出できなかったケースも除外せず、失敗として記録します。

3. 色パレットの安定性

髪、瞳、主要衣装をセグメント化し、Lab色空間の色差で比較します。RGB距離より知覚差に近く、照明変化と設定崩れを切り分けやすくなります。

実際の比較画像は、AI画像生成ページとキャラクター画像ギャラリーのように、生成条件とキャラクター選択を分けて用意すると管理しやすくなります。

よくある誤判定

夕方の照明で髪色全体が暖色になる
背景色が輪郭へ混ざる
小さな瞳領域を肌として認識する

平均色だけでなく、対象領域の面積と信頼度も保存してください。

4. 衣装属性の一致率

衣装は画像全体の類似度ではなく、構造化属性へ分解します。

上着の種類
主色と補助色
袖丈
靴の形状
固有アクセサリー

キャラクター識別に重要なアクセサリーへ高い重みを与えます。たとえば髪飾りを40%、上着を25%、色を20%、その他を15%とすれば、「似た服だが別人に見える」ケースを検出しやすくなります。

5. ポーズと外見を分離する

外見の一貫性とポーズ再現性を同じスコアにすると原因分析が難しくなります。骨格キーポイントの誤差はポーズ指標、顔・衣装・色は外見指標として保持します。

失敗時の切り分け

現象	最初に確認する項目
顔は同じだが構図が違う	ポーズ指定、アスペクト比
服装だけ変わる	衣装属性、参照画像の重み
背景変更で別人になる	顔の参照強度、背景記述
横顔だけ崩れる	横顔サンプルの不足

6. 動画化後の時間的一貫性

静止画で合格しても、動画では目、指、髪飾りがフレーム間で揺れる場合があります。画像から動画への生成では、開始・25%・50%・75%・終了フレームを抽出します。

隣接フレーム差分は平均値だけでなく、中央値と95パーセンタイルを保存します。短時間の大きな破綻は平均値では埋もれるためです。

7. 回帰テストとして運用する

モデル、プロンプト、参照画像のいずれかを変更したら、同じ12ケースを再生成します。

baseline/v1
  ├── prompts.json
  ├── reference.png
  └── scores.json
candidate/v2
  ├── prompts.json
  ├── outputs/
  └── scores.json

次の条件を満たさない変更は公開しません。

全指標が最低点以上
基準版より5%以上低下した指標がない
固有アクセサリーの欠落がない
動画の95パーセンタイルが許容範囲内

実務チェックリスト

基準画像と設定文をバージョン管理した
12ケースを同じ乱数・サイズ・比率で実行した
顔、色、衣装、ポーズを別々に採点した
動画の中間フレームを確認した
失敗画像も削除せず保存した
更新前後の差分レポートを残した

FAQ

画像が少ない段階でも評価できますか？

できます。最初は正面、横顔、全身、別衣装、短尺動画の5ケースから始め、失敗が見つかった条件を追加します。

画風が違う画像を同じ閾値で比較できますか？

おすすめしません。実写、アニメ、イラストは顔特徴や色分布が異なるため、画風別に基準を作ります。

どの指標を最優先にすべきですか？

ユーザーがキャラクターを識別するための固有要素です。一般には顔と特徴的な衣装・アクセサリーを優先し、その後にポーズと背景を評価します。

まとめ

品質改善で重要なのは最高の1枚を選ぶことではなく、条件変更後も同じキャラクターとして維持されるかを継続的に測ることです。データセット、指標、最低点、差分レポートを固定すると、モデル更新による回帰を短時間で特定できます。