従来のテキストによる画像生成（Text-to-Image）では、イラストレーターやコンセプトアーティストにとって「プロンプトのブレ（Prompt Drift）」が最大の課題でした。複雑な人体のポーズ、パースの効いた構図、厳密なシルエットを文字だけで指定しようとすると、手足の欠損や歪み、意図しないカメラアングルの変化が頻発します。
画像生成プラットフォーム「Dezgo」の**制御付き画像生成（Controlled Text-to-image）**モード（Webアプリ版および POST /controlnet API）は、この構造制御の問題を解決します。Stable Diffusion 1.5環境上で動作する ControlNet 技術を統合し、参照画像（Init Image）からポーズ骨格や輪郭線を抽出して空間的な拘束条件として機能させます。これにより、OpenPose、Canny、Depth などのモデルを活用して、構図や姿勢を忠実に固定しながら、衣装、画風、ライティング、背景だけを自由に再生成することが可能です。
DezgoにおけるControlNetの仕組み
標準的な拡散モデルは、テキストのクロスアテンションを通じて「何を描くか（意味）」と「どこに配置するか（空間構造）」を同時に予測しようとします。ControlNetはこれに対し、補助的なニューラルネットワークを導入し、参照画像から幾何学的な特徴マップを抽出して拡散プロセスの各層に直接注入します。
Dezgoの受控モード（control_model）では、主に以下の構造制御モデルが提供されています。
- OpenPose Full (
openpose_full): 人体の骨格関節点、手足の角度、顔の向き、手のキーポイントを抽出します。元の画像の服装、顔立ち、体型、背景を完全に排除し、純粋なポーズ情報のみを維持するため、同一キャラクターの別ポーズ展開やアクションシーンの再現に最適です。 - Canny Edges (
canny): エッジ検出アルゴリズムにより、輪郭線や明確な境界線を抽出します。製品デザイン、ハードサーフェス、線画イラストの彩色、ロゴの埋め込みなど、外形シルエットを厳密に固定したい場面で威力を発揮します。 - Depth (
depth): 単眼深度推定により、カメラからの距離に応じた白黒の深度グラデーションマップを生成します。微細な線画ではなく、空間の奥行き、部屋のレイアウト、遠近法を固定するため、背景アートやドラマチックなパース構図に適しています。 - その他のサポートモデル: マンガ風の描線を活かす
lineart、手描きのラフスケッチから高品質なイラストを起こすscribble、建築やインテリアの直線を抽出するmlsd、面の法線方向を捉えるnormalbaeも選択可能です。
主なControlNetモデルの比較
| 制御モデル | 抽出される特徴 | 主な用途・クリエイティブ事例 | 推奨制御スケール（Control Scale） |
|---|---|---|---|
OpenPose Full (openpose_full) | 人体骨格キーポイント・顔と手の向き | 人体ポーズの固定；三面図作成；アクションポーズ | 0.70 – 1.00 |
Canny Edges (canny) | 高コントラストな外輪郭線・エッジ | 線画の着彩；メカ・プロダクトデザイン；ロゴ配置 | 0.50 – 0.85 |
Depth (depth) | 3次元的な空間深度マップ | 室内レイアウト；極端な遠近法；空間配置の維持 | 0.65 – 0.90 |
LineArt (lineart) | 明瞭なアートライン描線 | マンガ原稿の精緻化；白黒線画からのカラーイラスト化 | 0.60 – 0.85 |
Scribble (scribble) | 粗い手描きブラシ・落書き | ストーリーボードのアイデア出し；ラフスケッチの清書 | 0.70 – 0.95 |
MLSD (mlsd) | 幾何学的な直線セグメント | 建築物の外観パース；インテリアの直線構造 | 0.60 – 0.80 |
Dezgoでの実践ワークフロー
Dezgoはブラウザ上でアカウント登録なしでも即座に検証可能であり、APIや有料のPower Modeを利用した本格的な制作フローにもシームレスに対応しています。
1. 制御付きツールを開く
Dezgoの左メニュー Image Tools から Controlled Text-to-image（dezgo.com/app/controlnet）にアクセスします。通常のText-to-Imageとは異なり、ControlNet専用のパラメーター群が表示されます。
2. 参照画像（Init image）のアップロード
ポーズや構図の基準となるPNGまたはJPEG画像を Init image エリアにドラッグ＆ドロップします。
- 解像度: ベースとなるSD 1.5のネイティブ解像度は512×512ピクセルです。アップロードされた画像は自動的に適切なサイズへとリサイズされます。
- 縦横比の整合性: 人物の立ちポーズなどの縦長画像を使う場合は、生成パネルの Resolution も「Portrait」に設定し、画像のアスペクト比と出力枠を一致させて歪みを防ぎます。
3. 制御モデルの選択とプリプロセスの確認
- モデル選択: ポーズ指定なら
openpose_full、線画ならcanny、空間構造ならdepthを選択します。 - Control Preprocess（前処理）設定: More options アコーディオンを展開して確認します。
- 有効（Yes / デフォルト）: 通常の写真や完成イラストをアップロードした場合はオンにします。Dezgoのサーバー側で自動的に骨格や輪郭線が抽出されます。
- 無効（No）: BlenderやPosemaniacs、外部ツールで既に生成済みのOpenPose骨格画像（カラー棒人間）や白黒深度マップを直接入力する場合はオフに設定し、二重抽出によるエラーを防ぎます。
4. 制御強度スライダー（Control Scale）の調整
Control scale（0%〜100% / API値 0.0〜1.0）は、生成結果が参照画像にどの程度従うかを決定します。
- 100%（1.0）: 完全な拘束。参照画像の骨格や輪郭を極限まで守りますが、Cannyなどの線画系では描線が硬くなり、不自然な質感が生じる場合があります。
- 60%〜80%（0.60〜0.80）[推奨スイートスポット]: 最も自然でバランスの取れた範囲です。人体のポーズや主たる構図を崩さず、衣服のドレープ、髪の揺れ、光の反射などを拡散モデルが柔軟かつ自然にレンダリングします。
- 40%以下（0.40）: 緩やかな構図の参照にとどめ、プロンプトの自由度を優先する場合に用います。
5. 最適なSD 1.5ベースモデルの選択
Dezgoでは多彩なSD 1.5モデルが選択可能です。目指す画風に合わせて Model を切り替えます。
- 実写・シネマティックフォト:
absolute_reality_1_8_1、cyberrealistic_3_3、realistic_vision_5_1 - アニメ・マンガ・イラスト調:
anything_5_0、waifudiffusion_1_4、ghostmix_v2 - ファンタジーアート・厚塗りコンセプト:
dreamshaper_8、deliberate_2、realdream_12
6. プロンプトとサンプリング設定の最適化
- プロンプトの役割分担: ポーズの位置関係はControlNetが担うため、プロンプトには被写体の外見、衣装の材質、照明、背景のディテール（例: "cyberpunk samurai, carbon fiber armor, neon city rain, volumetric rim light, highly detailed 8k"）を重点的に記述します。
- ネガティブプロンプト: 手足の崩れを防ぐため、デフォルトの品質調整トークン（
ugly, poorly drawn hands, poorly drawn feet, extra limbs, bad anatomy, deformed）を維持します。 - Guidance (CFG Scale): 6.0〜8.5（初期値 7.0）を推奨します。10.0を超えるとControlNetの幾何拘束とプロンプトが衝突し、画像の輪郭が焦げ付いたようなアーティファクトが発生します。
- サンプラー: 初期設定の
dpmpp_2m_karrasにより、14〜20ステップ程度の少ない計算量でもシャープで高品位な結果が得られます。
実践的なクリエイティブ活用例
活用例1: 同一キャラクターによる連続アクションシーンの制作
マンガのコマ割りやゲームのアニメーション設定資料を作成する場合:
- 対象キャラクターの容姿を固定するプロンプトとLoRA（Dezgoでは最大4基のCivitAI LoRAを同時適用可能）を準備します。
- アクション素材（ジャンプ、着地、構えなど）の写真をInit Imageに指定し、
openpose_full、強度0.75で生成します。 - 同じSeed値やプロンプト構成を維持することで、キャラクターのデザインを崩さずに様々なダイナミックポーズを量産できます。
活用例2: ラフスケッチから完成コンセプトアートへの昇華
デザイナーが手描きの鉛筆ラフや線画をプレゼン用アートに仕上げる場合:
- スキャンした線画をアップロードし、
cannyまたはscribbleを選択します。 - Control Scaleを
0.65に設定し、プロンプトに "matte painting, photorealistic textures, dramatic ambient lighting" を指定します。 - 元のスケッチの寸法や配置を正確に保ちながら、フォトリアルな陰影とリアルなテクスチャが付加された完成図が得られます。
商用利用・Power ModeおよびAPI連携
Dezgoは用途に応じた柔軟な運用体系を提供しています。
- 無料Web利用: 会員登録やクレジットカード登録なしで、ブラウザから即座にテスト生成が可能です。
- Power Mode（プリペイド式残高）: 月額定額制ではなく、チャージした残高を消費する従量課金制です。並列一括生成（Count）、最大150ステップのサンプリング、Real-ESRGANによる2倍アップスケール機能が解放されます。
- Dezgo Developer API: 制作スタジオや自動化パイプラインでは、
POST /controlnetエンドポイント（認証ヘッダーX-Dezgo-Key）を通じて画像生成を自動化できます。ControlNetは二重のネットワーク計算を要するため、通常のText-to-Imageに比べて約2倍のコスト（512×512基準で1回あたり約$0.0038）となりますが、自社GPUサーバーを常時運用するよりも極めて高い費用対効果を誇ります。
制作精度を高めるチェックポイント
- 手の重なりを避ける: OpenPoseは手先の検出に敏感です。参照画像の手がポケットに入っていたり指が重なり合っていると誤検出の原因になるため、手の輪郭がはっきりと見える素材を選定してください。
- アスペクト比の固定: 参照画像が縦長（9:16など）の場合は、必ず出力解像度もPortraitに合わせてください。
- 段階的なスケール調整: まずは
0.70でテストし、ポーズの再現が足りなければ0.85へ引き上げ、描線が硬すぎる場合は0.60へ緩める微調整が成功の鍵です。
参考文献
- Dezgo - Free Online AI Image/Video Generator, Apps & Tools
- Controlled Text-to-image - Free Online AI Image Generator - Dezgo
- AI Image Generator API - Flux/Stable Diffusion - Dezgo
- API Reference - AI Image Generator API - Flux/Stable Diffusion - Dezgo
- Overview - AI Image Generator API - Flux/Stable Diffusion - Dezgo