⑤ ディープラーニングの応用例 ／ 32. マルチモーダル
DALL-Eとは
DALL-Eとは、入力されたテキストプロンプトの意味を理解し、それに対応する高品質な画像を生成するモデルです。Text-to-Image分野を代表する生成AIです。
この用語はG検定シラバスの「32. マルチモーダル」に含まれます。 章全体の用語は用語解説⑤（全133語）にまとまっています。
一言でいうと
「〜な絵を描いて」という文章から、その通りの画像を作り出すモデルです。
世代による構成の違い
| 世代 | 基盤技術 |
|---|---|
| DALL-E 1 | Transformerベース |
| DALL-E 2 以降 | Diffusion Modelベース |
拡散モデルへの移行によって画質が大きく向上しました。生成AI全体の流れとも一致しています。
なぜ言葉が絵になるのか
鍵はテキストと画像を同じ空間で扱えるようにすることです。CLIPのような仕組みで両者を結びつけたうえで、その情報を条件として画像を生成します。
創作支援やデザインで活用される一方、画像生成と同様に著作権や偽情報の課題も議論されています。
プロンプトの限界
「指示どおりの絵」が必ず出るわけではありません。数を正確に描く、文字を正しく書くといったことは苦手とされてきました。
見た目の自然さと論理的な正確さは別——生成AI全般に通じる注意点です。
🎯 G検定での押さえどころ
- テキストから画像を生成する
- DALL-E 1はTransformer、2以降は拡散モデルベース
- Text-to-Imageの代表例
⚠️ よくある誤りの選択肢
- 「DALL-Eは画像から説明文を生成するモデルである」→ 誤り。それはImage Captioningです
関連する用語
ご利用にあたって 本ページの内容は、JDLAが公開しているG検定シラバス2024や公式テキストなど、一般に公開されている情報をもとに独自に整理・解説したものです。実際の試験の出題内容を示すものではなく、また合格を保証するものでもありません。制度・法令・試験要項は変更されることがあるため、最新の情報は必ずJDLA公式サイトでご確認ください。