Visionと画像フォーマットの違いについて

メモ：
noteでメンバーシップに参加している「#ねむプロ」において、「# 画像からプロンプトの素材を拾って、混ぜて、組み立てる「プロンプトカクテルレシピ」リリース」された。
例えば、Grok Imagineで私が作成したAI画像をアップロードすると解析に失敗する。でも、マニュアルには解析ソフトはなくても動作はする。解析方法はLM studioなどを使った「Vision解析」という手法らしい。
「Vision解析」について調べてみたら、なんとPNG Infoに生成した際の情報が載ってしまうらしい。昔でいうデジカメ映像の「Exif（エグジフ）情報」か。
でもExifはデジカメの画像フォーマット「JEPG」「RAW」「TIFF」などだった気がする。
気になったので少し調べてみたメモ。

AI画像生成を行う際、**「プロンプトが第三者に見えるかどうか」と「Vision解析が必要かどうか」**は、画像の保存形式によって大きく変わります。

この記事では、Visionモデルの役割と、主要な画像フォーマットごとの注意点をまとめます。

Visionとは

Vision（ビジョン）とは、画像を理解できるAIモデルのことです。

正式には「Vision Language Model（VLM）」や「マルチモーダルモデル」などと呼ばれます。

通常のテキスト専用モデルは文字しか扱えませんが、Vision対応モデルは画像を入力として受け取り、以下のような内容を文章やタグとして出力できます。

何が写っているか
服装・髪型・ポーズ・構図
背景や環境
画風や雰囲気

プロンプト抽出ツールでの役割

Prompt Cocktail Recipeのようなツールでは、画像からプロンプト素材を集める際にVisionが使われます。

PNG Infoがある画像

→ 埋め込まれたプロンプトを直接読み取れる

PNG Infoがない画像（JPGなど）

→ Visionモデルに画像を解析させて、下書きとして素材を抽出する

Vision解析を行うには、LM Studioなどで動作するVision対応モデル（例: Qwen2.5-VLなど）が必要です。

画像フォーマットとメタデータの違い

多くの画像生成ツールは、PNG形式で保存する際に「生成時に使ったプロンプト」や「パラメータ」をファイル内部に埋め込みます。この情報がPNG Infoと呼ばれるものです。

フォーマット別の特徴

| フォーマット | プロンプト情報が残りやすいか | 主な特徴 |

|-------------|------------------------------|----------|

| PNG | 非常に残りやすい | 多くの生成ツールが積極的にメタデータを埋め込む。第三者にプロンプトが見えやすい |

| JPG / JPEG | ほぼ残らない | 通常はPNG Infoが落ちる。プロンプトを隠したい場合に最も手軽 |

| WEBP | 残る場合がある | 圧縮が良い一方、ツールによってはメタデータを保持する |

| AVIF | 残る場合がある | 比較的新しい形式。ツール次第で情報が残る |

| GIF | ほぼ残らない | アニメーション向き。生成情報は基本的に入らない |

| TIFF | 残る可能性が高い | メタデータを保持しやすい。AI生成ではあまり使われない |

実務的な注意点

プロンプトを第三者に見られたくない場合

JPGで保存するのが最もシンプルで確実です
PNGのまま公開・共有すると、専用ツールやメタデータ確認サイトで簡単に内容を確認されてしまいます
WEBPやAVIFは「残る可能性がある」前提で扱うのが安全です

Vision解析を活用したい場合

PNG Infoがない画像（JPGなど）でも、Visionモデルを使えば内容を解析できます
ただし解析結果はあくまで下書きなので、必要に応じて手動で調整してください
VisionモデルはLM Studioなどのローカル環境で動作させるのが一般的です

まとめ

Visionは「画像を理解できるAI」で、PNG Infoがない画像の解析に使われます
PNGはプロンプト情報が残りやすく、第三者に見えやすい
JPGは比較的安全にプロンプトを隠せる
WEBPやAVIFはツールによってメタデータが残る場合がある

用途に応じて保存形式を使い分けることで、意図しない情報漏洩を防ぎつつ、必要に応じてVision解析も活用できます。

Written with StackEdit.

BBC BLOG

2026年10月12日月曜日

20261012‗VisonとPNG