この記事は、構成と文章の整理にAIを使っています。
あくまで読みやすくするための補助で、内容そのものをAIにすべて任せて書いているわけではありませんが、ところどころ相談しながら整えています。

生成AIで画像の「明るさ調整」をやると、意図しない部分まで変わるリスクがある。ちょうどそれを裏付けるような実例がニュースになっていたのでメモしておく。

何が起きたか

某食品メーカーの公式SNSアカウントが、商品を使ったレシピ画像を投稿した際に生成AIで明るさと背景を調整した。結果、商品パッケージのラベル文字が崩れて別の文字列のように見える状態で公開されてしまい、指摘を受けて謝罪、元画像を公開する事態になった。同種の事例は他の企業や行政でも起きていて、AIによる色調整で看板や表記が変わってしまうパターンが繰り返し報告されている。

やろうとしたのは「明るさを変える」というごく軽い操作。それだけでパッケージの文字が変形するというのが、非エンジニアの人には直感的に理解しづらいところだと思う。

なぜ「調整」のつもりが「別物」になるのか

従来の画像編集ソフトの明るさ調整は、ピクセルの輝度値に対する決定論的な変換。入力が同じなら出力も必ず同じで、文字やロゴの形が変わることはない。

一方、生成AIによる画像編集（img2img的なアプローチ）はまったく別の仕組みで動いている。

flowchart LR
    A[元画像] --> B[潜在空間にエンコード]
    B --> C[ノイズを付加]
    C --> D["プロンプトに条件付けして<br/>デノイズ（再構成）"]
    D --> E[出力画像]

ポイントは、この「デノイズ」の過程が実質的に画像の再生成だということ。元画像に完全に一致する保証はどこにもなく、モデルが学習した分布の中で「それっぽい」ものを作り直している。ノイズの付加量（strength）が大きいほど元画像からの乖離も大きくなる。UI上は軽い調整のつもりでも、バックエンドの処理としては強めの再構成が走っていることがある。

文字だけが弱い理由

自然物（空、木、肌など）は多少のピクセル単位のゆらぎがあっても人間の目には「それっぽく」見える。誤差に対する許容度が高い。

対して文字やロゴは、1ピクセルのズレが即座に「読めない」「別の文字に見える」に直結する。意味的な正確さの要求水準が桁違いに高いのに、モデル側は文字を記号として理解しているわけではなく、学習データの中でよく見た視覚的パターンとして近似しているだけ。ここのミスマッチが崩壊の主因になる。

加えて、多くの拡散モデルは画像をそのままのピクセル数で扱わず、VAEで数分の一から十数分の一に圧縮した潜在空間上で処理する。この圧縮の過程で細かい字形の情報はかなり失われる。日本語のような画数の多い文字はこの圧縮の影響をさらに受けやすいうえ、学習データそのものも英語圏の画像が量的に優勢なので、日本語の文字精度は英字より不利になりやすい。

まとめると、崩れやすさは以下の要因が重なって起きる。

• 文字は意味的に1px単位の正確性が必要
• VAEによる非可逆圧縮で情報がロスする
• 学習データにおける日本語比率の低さ
• 「編集」の実態が「部分再生成」であるというアーキテクチャ上の性質

最近のモデルではマスク処理（変更してはいけない領域をピクセル単位で固定する）や条件付けの精度向上によって、構図やテキストを維持したまま特定部分だけ変えられるケースも増えている。ただし原理的な限界そのものがなくなったわけではなく、「絶対に崩れない」という保証にはならない。

どう扱うべきか

パッケージ写真やロゴを含む画像に対して生成AIで「調整」をかけるのは、ノーチェックで運用に乗せるべきではない。文字・ロゴを含む商用画像は、生成AIでの加工後に人の目で確認する工程を必ず挟むか、そもそも決定論的な画像処理（明るさ・コントラストのような単純な変換は従来のアルゴリズムで十分）で足りる範囲は生成AIを使わない、という切り分けが現実的だと思う。