画像生成AIの解像度と縦横比｜モデルが学習した大きさ

• 画像生成AIの解像度は、どう決めればいいの？
• 横長の画像を作ったら、建物がおかしくなった
• 画像生成AIで使える縦横比を知りたい

Stable Diffusion を動かすソフトでは、作る画像の幅と高さを数で決められます。しかし、大きさを変えただけで建物の階が増えたように見えることがあり、どの大きさがよいかは画面には出ていません。

この記事では、画像生成AIの解像度と縦横比の意味と、モデルが学習した画像の大きさを解説します。学習した大きさから外したときに、画像がどう変わるかも作例で分かります。

Stable Diffusion のモデルでは、学習した大きさから外すと、質が落ちたり同じ部分がくり返されたりするのが特徴です。

画像生成AIの解像度と縦横比とは

画像生成AIで解像度と言うときは、作る画像の幅と高さを、画素（画像を作る点）の数で表したもののことです。印刷で使う1インチあたりの点の数とは、別の使い方になります。

縦横比は、幅と高さの比のことです。上の図の 768×512 の画像なら、3:2 の横長になります。

幅と高さの数には決まりがあり、画像生成AIのモデルの Stable Diffusion の v1 では、8 の倍数にします。

v1 は、画像を縦と横それぞれ8分の1にした潜在表現（画像を縮めた数の並び）で計算するモデルです。

768×512 の画像は、潜在表現では 96×64 になります。画像生成AIを動かすソフトの ComfyUI 0.37.0 でも、幅と高さの欄は 8 ずつ変わります。

モデルが学習した画像の大きさ

画像生成AIのモデルには、それぞれ学習した画像の大きさがあります。この記事で比べるのは、次の2つのモデルです。

• Stable Diffusion 1.5は512×512
• SDXLは1024×1024と縦横比の組

Stable Diffusion 1.5は512×512

Stable Diffusion 1.5 は、512×512 の大きさの画像で学習したモデルです。Stable Diffusion の最初の版である v1 の系統にあたります。

SDXLは1024×1024と縦横比の組

SDXL は Stable Diffusion の後の版で、SDXL をもとにしたモデルの多くは 1024×1024 で最もよく作れます。

768×768 や 512×512 でも作れますが、結果は 1024×1024 ほどよくありません。

SDXL の学習には、縦横比の違う画像の組も使われました。画素の数を 1024×1024 に近く保ったまま、幅と高さを 64 の倍数で変えた組です。

64 の倍数なら、どれも 8 の倍数でもあるので、v1 の決まりとも食い違いません。

横長の組には、1216×832・1344×768・1536×640（幅×高さ）などがあります。1344×768 は 16:9 に近い横長で、幅と高さを入れ替えた縦長の組も学習に入っていました。

学習した大きさから外したとき

学習した大きさから外すと、画像の質や全体のまとまりが変わります。上の画像は、Stable Diffusion 1.5 で、シード（初めのノイズを決める数）とほかの設定をそろえ、大きさだけを変えた6枚です。

プロンプトには、白い壁の2階建ての家・木のデッキ・庭・昼を英語で書きました。大きさが変わると初めのノイズの大きさも変わるので、どの大きさでも家の形と配置は変わっています。

その中で、学習した 512×512 では、家がまとまって写りました。

Stable Diffusion の v1 で、学習した大きさから外すときに知っておくことは、次の3つです。

• 小さくすると質が落ちる
• 縦横とも大きくすると同じ部分がくり返される
• 縦長・横長は片方を512にする

小さくすると質が落ちる

Stable Diffusion の v1 では、512 より小さくすると、質が落ちることがあります。SDXL でも、512×512 より小さい大きさは勧められていません。

この試しの 256×256 は、家の一部だけが大きく写り、昼と書いたのに夕方のような光になりました。拡大すると、窓や芝がぼやけていました。

縦横とも大きくすると同じ部分がくり返される

Stable Diffusion の v1 では、縦と横の両方を 512 より大きくすると、画像の中で同じ部分がくり返され、全体のまとまりが失われます。

1024×768 のような横長でも、縦横とも 512 を超えれば、この形に入ります。

この試しの 1024×1024 は、2階建てと書いたのに、白い床とバルコニーが4段に積み重なった建物になりました。

ComfyUI 0.37.0 の Empty Latent Image は、作る画像の大きさを決める部品です。

その幅と高さの初めの値は 1024×1024 です。Stable Diffusion 1.5 で使うときは、幅と高さを 512 に直しておく必要があります。

学習した大きさより大きな画像が要るときに使える方法の1つが、画像を大きくするアップスケール（超解像）です。

縦長・横長は片方を512にする

Stable Diffusion の v1 で縦長や横長の画像を作るときは、片方を 512 にして、もう片方を大きくするのがいちばんよい方法とされています。

この試しでは、1024×512 は横に長い2階建ての家がまとまって写りました。1536×512 は横にとても長い家で、窓と部屋が横にいくつも続いています。

縦長の 512×768 では、片方が 512 でも、2階建てと書いた家が3つの階の家になりました。

学習した大きさに合わせて画像の大きさを決めよう

Stable Diffusion のモデルには学習した画像の大きさがあり、そこから外すと画像が変わります。この記事で解説したことは、次の4つです。

• Stable Diffusion 1.5 は 512×512、SDXL は 1024×1024 と縦横比の組で学習した
• 小さくすると質が落ちることがある（v1・SDXL）
• 縦横とも大きくすると同じ部分がくり返される（v1）
• 縦長・横長は片方を 512 にする（v1）

モデルを配る頁の説明（モデルカード）で学習した大きさを確かめてから、幅と高さを決めてみてください。

あわせて読みたい

• 「潜在空間とVAE｜画像を小さく縮めた計算」（準備中） — 画像を8分の1の潜在表現に縮めて計算する仕組みを知りたいとき
• 「アップスケールと超解像｜画像を大きくする仕組み」（準備中） — 作った画像を、学習した大きさより大きくする方法を知りたいとき
• 「UNetとDiT｜モデルの骨組みの違い」（準備中） — Stable Diffusion 1.5 や SDXL と、新しいモデルの作りの違いを知りたいとき
• ComfyUIの画像の大きさとバッチ｜Empty Latent Image・バッチでの生成 — ComfyUI で画像の幅と高さを決める操作を知りたいとき