画像からAIプロンプトを作る方法：再現精度を高める実践ガイド

画像からプロンプトを作る作業は、形容詞を増やすことではない。構図、光、カメラ、色、視線の流れを、画像生成モデルが実行できる指示へ置き換える作業だ。

画像をAIに読み込ませれば、数秒で説明文が返ってくる。しかし、その文章で再生成すると、元画像とは雰囲気が違うことが少なくない。

原因は単純だ。一般的な画像説明は「何が写っているか」には答えても、「なぜこの画面がこの見え方になっているか」を説明していない。

街角の写真に人物、車、建物が写っているとする。認識は正しくても、再現には足りない。人物が右に寄った構図、低いカメラ位置、曇天の平坦な光、低彩度の背景で赤いコートだけが強く発色していること。写真の印象を決めるのは、物体の一覧ではなく、こうした関係である。

「美しい」は評価であって、生成指示ではない

画像美学の研究では、ぼけや圧縮ノイズなどの技術品質と、構図や色、内容に関わる美的評価を分けて扱う。Google ResearchのNIMAも、画像を単純に良い・悪いと分類せず、人が付ける評価の分布を予測した。視覚的な好みが一つの正解に収まらないためだ。Google Research：NIMA

再現用の分析では、画像を四つの層で読むと整理しやすい。

一つ目は内容。被写体、動作、表情、服装、小物、それらの関係である。赤いコートを見つけるだけでは不十分だ。低彩度の背景に対し、コートが唯一の高彩度色として視線を集めている、と読む必要がある。

二つ目は空間構成。被写体の位置と大きさ、前景・中景・背景、余白、遮蔽、撮影角度、遠近感を確認する。レンズによる距離の誇張や圧縮も、見る人と被写体の関係を変える。

三つ目は光学情報。光源の方向と硬さ、露出、影、被写界深度、色温度、素材の反射を調べる。「映画のような柔らかい光」より、「左の窓から入る拡散光が顔の右側に浅い影を落としている」の方が、実行可能な指示になる。

最後はスタイルと感情。写真、イラスト、3D、油彩は表現媒体であり、ファッション誌、ドキュメンタリー、商品広告、スマートフォンのスナップは撮影の慣習を表す。わずかな傾き、肌の質感、手ぶれ、偶然の遮蔽といった不完全さが、元画像らしさを支えている場合もある。

2022年に IEEE Transactions on Image Processing で発表された研究でも、意味内容、芸術的スタイル、構図が画像美学の主要要素として扱われている。Composition and Style Attributes Guided Image Aesthetic Assessment

重要なのは細部の数ではなく優先順位だ。最初にどこへ目が向き、何がその焦点を支え、何が背景へ退くのか。この階層が画面の印象をつくる。

画像の逆解析は、元の一文を当てる作業ではない

一枚の画像に対応するプロンプトは一つではない。元のプロンプトが分かっていても、モデルのバージョン、シード、生成設定が変われば結果は変化する。

CVPR 2024で発表されたPrompt Inversion研究は、この課題を巨大な離散プロンプト空間から意味の通る表現を探す問題として扱っている。目的は作者が入力した原文を言い当てることではなく、対象画像を表す実用的な指示を得ることにある。Prompting Hard or Hardly Prompting

まず、確実に見える事実を記録する。被写体の位置、動作、服装、周囲の物体を挙げ、「上質」「幻想的」といった評価語は後に回す。根拠が弱い場所、人物属性、カメラ機種は断定しない。

次に幾何学的な関係を整理する。被写体が画面のどこにいるか、身体と視線がどちらを向くか、前景から背景までがどう重なるか、余白がどれだけ残るか、広角または望遠らしい遠近感があるかを見る。

その後に、主光源、被写体と背景の明るさ、影、色、反射、素材感を記述する。感情を加える場合も、空間の広さ、人物の向き、寒色、低照度など、画面内の根拠と結び付ける。

分析結果には優先順位を付ける。画像の識別性を決めるものは「必ず維持」、細かな小物は「変更可能」、中央構図や過剰な美肌処理など起こりやすい失敗は「避ける」に分ける。

たとえば、街角写真なら次のように書ける。

曇天の街角を低い位置から撮影したミディアムショット。赤いロングコートの女性を画面右側の三分割線上に置き、身体は通りへ向けたままカメラを振り返らせる。左側には広い環境の余白を残す。全体は低彩度のブルーグレーで、コートだけを高彩度にする。濡れた路面に、後方の店舗から漏れる暖色光を弱く反射させる。中央構図、強い晴天光、混雑した背景は避ける。

すべての物体を列挙する必要はない。被写体、構図、色の関係を先に固定し、その後でカメラ、光、禁止事項を加える。

JSONか自然文か。差を生むのは形式より中身

JSONは高度なプロンプト形式として語られることがある。一方で、括弧や引用符、フィールド名がトークンを消費するだけだという批判もある。どちらも形式の効果を大きく見積もりすぎている。

JSONの利点は、分析結果を編集可能な仕様書として扱えることだ。被写体、ポーズ、構図、レンズ、照明、色、制約を個別に確認できる。欠落の発見、部分修正、バージョン比較、プログラムへの受け渡しにも向く。

自然文は書式上の負担が少なく、多くのモデルの公式例に近い。ただし、構造化した下書きがないと、被写体と雰囲気だけを書き、空間や光、制約を落としやすい。

同じ視覚情報と優先順位を含むなら、両者に本質的な差はない。詳細なJSONが曖昧な自然文より機能するのは、波括弧に特別な力があるからではなく、生成条件を多く保持しているからだ。

削るべきなのは、重複、根拠のない推測、互いに矛盾する指示である。短くするために構図や光、素材まで消すべきではない。

実務では、分析を構造化データで保存し、使用するモデルに合わせて自然文へ整える方法が扱いやすい。PromptsrefのImage to Promptも、同じ画像分析から構造化JSONと自然文の両方を出力する。

最後の差はモデル選びで決まる

2026年8月時点で、Midjourney、GPT Image 2、GoogleのNano Bananaシリーズは、参照画像への向き合い方が異なる。

Midjourney公式はImage Promptを、内容・構図・色に影響を与える参照と説明しており、正確なコピーではなく新しい画像の着想源として位置付けている。Midjourney Image Prompts

Describeについても、アップロード画像を正確に複製するプロンプトではなく、創作用の言葉を提案する機能だと明記している。Midjourney Describe 元画像から別の表現を探す用途には強いが、構図や細部を固定したい場面では予測しにくい。

GPT Image 2は、画像とテキストを入力して生成・編集できる。OpenAIのAPI文書によれば、参照画像や編集のワークフローでは入力画像を常に高忠実度で処理する。OpenAI：Image input fidelity 画像が形状や質感を担い、文章が維持すべき点と変更可能な点を指定するため、文字だけに変換するより再現性を高めやすい。

Nano Bananaシリーズは、複数画像を参照したり、会話を重ねて修正したりする作業に向く。Googleは、テキストと画像を組み合わせて生成、編集、反復できるネイティブなマルチモーダル画像機能として説明している。Nano Banana 2は複数参照と一貫性、Nano Banana Proは複雑な指示と精密な制御を重視する。Google：Nano Banana画像生成

Midjourneyは「この画像から何を発展させられるか」を探すモデル、GPT Image 2とNano Bananaは「参照との差をどう縮めるか」を詰めるモデル、と考えると選びやすい。

精度を決めるのは最初のプロンプトではなく、修正の仕方

丁寧に分析しても、一回目から最も近い画像が出るとは限らない。モデルが指示に与える重みは一定ではなく、文章だけでは保持しにくい空間情報もある。

生成結果と参照画像を並べ、まず被写体と構図、次にカメラと光、最後に素材と細部を確認する。一度に全文を書き換えず、各ラウンドで最も大きな差を修正する方が、何が効いたかを判断しやすい。

テキストは画像の視覚的な論理をかなりの範囲で再構成できるが、すべての画素を保存することはできない。高い再現性は、完璧な一文を探すことではなく、参照画像、構造化分析、反復生成を一つの工程として扱うことで得られる。