G検定 用語解説
画像生成とは
テキストなどの入力をもとに、新しい画像をゼロから作り出す生成AIの応用分野。GANやDiffusion Modelなどの手法が用いられる。
まず押さえる結論
画像生成は、G検定の「大項目6 ディープラーニングの応用例」で確認しておきたい用語です。定義だけでなく、どの場面で使う言葉か、何と混同しやすいか、問題文のどの表現で判断するかまで確認します。
情報源と編集区分
公式範囲を確認し、具体例・誤答例・判断手順は当サイトが編集。 一次情報確認日: 2026-07-03。
試験概要（公式）試験での問われ方
定義の言い換え
用語そのものではなく、説明文の一部を言い換えて出されることがあります。
似た概念との比較
同じ章の用語と入れ替えた選択肢に注意します。対象、目的、使う場面を分けます。
具体例からの判断
問題文の事例が、定義のどの部分に対応しているかを先に確認します。
誤答しやすいポイント
×物体検出（R-CNN系/YOLO/SSD）とセグメンテーション（セマンティック＝画素単位の塗り分け、インスタンス＝個体ごとに区別）の混同。
×word2vec・BERT・GPTの違い（BERT＝前後両方向、GPT＝一方向・自己回帰）。
×強化学習の応用（DQN、AlphaGo）と画像/言語タスクの取り違え。
関連する確認問題
大項目6 ディープラーニングの応用例 / 生成AI・基盤モデル
文章による指示（プロンプト）を与えると、それに沿った画像を新たに作り出す生成AIの機能を指すものとして最も適切なものはどれか。
正解は画像生成。文章による指示（プロンプト）などをもとに、新しい画像を作り出す生成AIの機能で、拡散モデルなどが用いられる。物体検出は画像中の物体の位置と種類を見つけるタスク、セマンティックセグメンテーションは画素ごとに種類を塗り分けるタスク、音声認識は音声を文字に変換するタスクで、いずれも新たな画像を作り出す画像生成とは目的が異なる。 既存入力を分析するタスクと新規生成を区別する。音声認識は音声から文字、物体検出は画像から矩形、セマンティックセグメンテーションは画像から画素クラスを出す。テキスト条件から新規の画素内容を合成するのが画像生成である。
大項目6 ディープラーニングの応用例 / 生成AI・基盤モデル
学習データとして変換前の画像と変換後の画像が一対一に対応づけられた組を用意できない場合でも、ある画像群がもつ特徴を別の画像群がもつ特徴へ相互に変換できるように学習する、敵対的生成ネットワークを応用した画像変換の手法はどれか。
正解はCycleGAN。変換前後が一対一に対応づけられた画像の組（ペア）を用意できなくても、ある画像群がもつ特徴を別の画像群がもつ特徴へ相互に変換できるよう学習する手法である。Pix2Pixは対応するペア画像を前提とした画像変換、条件付きGAN（Conditional GAN）はラベルなどの条件を与えて生成物を制御する手法、StyleGANはスタイルを階層的に制御して高精細な画像を生成する手法であり、いずれも対応ペアが不要な相互変換を主目的とするものではない。 画像変換GANは教師データの対応関係で区別する。入力と出力のペアを必要とするPix2Pixではなく、変換の循環整合性を利用して対応なしの画像群から学習するCycleGANを選ぶ。条件による生成制御や高精細画像生成も設問の中心ではない。
大項目6 ディープラーニングの応用例 / 生成AI・基盤モデル
変換元と変換先が一対一に対応づいた画像のペアを教師データとして用意し、入力画像を対応する別の見た目の画像（たとえば線画から写真）へ変換できるように学習する、敵対的生成ネットワークを応用した画像変換の手法はどれか。
正解はPix2Pix。変換元と変換先が一対一に対応づいた画像のペアを教師データとして用い、入力画像を対応する別の見た目の画像へ変換する手法である。CycleGANは対応ペアが不要な変換、DCGANは生成器・識別器に畳み込みを用いて画像生成を安定化させたモデル、StyleGANはスタイルを階層的に制御するモデルであり、いずれも対応ペアを前提とした画像変換そのものを指すものではない。 画像変換の方式は対応ペアの有無を最初に見る。線画と写真のように入力と正解出力が一対一に対応する教師データを使うのはPix2Pixであり、対応なしで相互変換するCycleGANとは反対の条件である。DCGANとStyleGANは画像生成モデルの構造・制御に関する名称である。
同じ章で確認したい用語
到達チェック
- 画像生成を一文で説明できる
- 同じ章の似た用語と違いを説明できる
- 問題文の具体例から、画像生成に関係する論点を拾える
- 関連問題を解き、誤答した選択肢の理由を確認できる
執筆: ミナト編集部（運営者情報を見る）