近年、深層学習をベースとした生成モデル（深層生成モデル）の発展は著しく、最新の画像生成AIではかなり精緻な画像が生成可能になりつつある。敵対的生成ネットワーク（Generative Adversarial Networks、GAN）は、そのような深層生成モデルの代表的なものの一つであり、識別器を騙そうとする生成器と、生成器に騙されないようにする識別器の二つのニューラルネットワークが互いに競争しながら学習することを特徴に持つ。本講演では、このGANにフォーカスして画像生成の基礎と応用について解説する。まず、GANの基礎では、そもそも画像生成とは何かについて説明した後、深層生成モデルの中でのGANの位置付けや理論的背景などについて解説する。続いて、GANの応用では、GANを実際に利用する際に有効な技術として、高解像度画像を生成するための技術、画像生成をコントロールするための技術、そして、ノイジーなデータに対する頑健性を得るための技術などについて紹介する。

拡散モデルは生成モデルの一種であり、データがノイズへと徐々に崩壊していく「拡散過程」を逆にたどるというアイデアに基づいて、ランダムなノイズをデータへと変換することでデータを生成する。多様なデータの生成に強いことが経験的に知られており、近年では特に与えられたテキストに沿った画像を生成するtext-to-imageのタスクにおいて、その性能の高さに注目が集まっている。本講演では、まず、多くの拡散モデルの基礎となっているDenoising Diffusion Probabilistic Models (DDPMs)について解説する。その後、text-to-imageを始めとする条件付き生成への拡張や、学習済みの拡散モデルを用いることで様々な画像関連タスクを省コストに実現する方法などについて紹介する。

画像は縦と横の二次元の構造を持つ情報であるが、本来的には奥行きを持った三次元世界を二次元平面に投影することによって生じるものである。このことを陽に考慮して、二次元画像を直接的に生成するのではなく、まず三次元世界を生成してからそれを平面に投影することで画像を生成する技術の開発も進められている。そのようなアプローチは、同一のシーンをいろいろな視点から見た画像を、視点によって物体の形が変わってしまうなどの破綻を起こすことなく生成できるため、映像コンテンツの制作などに有用である。ここでの技術上の大きな課題は、写真（二次元画像）は簡単に撮影でき、またインターネット上で大量に手に入れることができるのに対し、本当に生成したい三次元データは測定が困難であり、また機械学習に用いるための大量のデータも手に入りにくいことである。本講演では、二次元画像を通じて三次元世界を扱う技術を中心に、三次元構造を考慮した画像生成技術の動向を紹介する。