【ITニュース解説】Your AI Eraser Redraws the Whole Photo: Inside a Label-Then-Edit Object Remover

AIを使った写真のオブジェクト除去ツールは、私たちがブラシで不要な部分を塗ると、まるで魔法のようにその部分だけを消してくれるように見える。しかし、その裏側では、ブラシで塗った場所以外の、一見何も変わっていないように見える写真全体も、実は微妙に変化していることがある。この記事では、AI消しゴムが写真全体を再描画する仕組みと、その技術的な背景、利点、そして限界について解説する。

写真から何かを消すAIツールの設計には、大きく分けて二つのアプローチがある。一つは「マスクインペインティング」という方法だ。これは、元の画像と、ユーザーがブラシで塗って編集領域を示した「マスク」という情報をAIモデルに渡す。モデルはマスクの内側のピクセルだけを生成し、マスクの外側は元の画像からそのままコピーする。この方法の利点は、ブラシで塗らなかった領域は元の画像と完全にピクセル単位で同じであることだ。しかし、欠点として、モデルがマスクの内側しか見ないため、例えば人物の影がマスクの外側に伸びている場合、人物は消えても影はそのまま残ってしまう。モデルがシーン全体の文脈を理解できないことが原因である。

もう一つのアプローチは、現在MagicRemoverのような高度なツールで採用されている「指示編集」という方法である。この方法では、元の画像と、「青いシャツを着た男性を削除してください」といった具体的なテキスト指示文をAIモデルに渡す。モデルはこの指示文を理解し、画像全体をまるごと新たに生成する。この方式の最大の利点は、AIがシーンの文脈を深く理解できるため、ユーザーがブラシで塗らなかった部分にある影や反射なども、関連するものとして一緒に除去できることだ。しかし、代償もある。出力される画像のすべてのピクセルがAIによって新しく生成されるため、ユーザーが意図的に残したかった部分も含めて、写真全体が微妙に変化する可能性がある。

MagicRemoverは、以前はマスクインペインティング方式を採用していたが、2026年5月に「ラベリングステップ」を追加し、6月にはシステムをテキスト指示文を受け取る指示編集方式に完全に置き換えた。この変更により、特に影の処理において、画像の整合性が目に見えて向上した。

では、私たちがブラシで描いた一本の線が、どのようにしてAIが理解できる「指示文」になるのだろうか。MagicRemoverの現在の処理の流れを見てみよう。

まず、私たちが画像をアップロードすると、ブラウザは写真を約1メガピクセル程度に縮小する。これは、AIモデルが処理できる解像度に合わせるためだ。これ以上の解像度で送っても、モデルは同じサイズの画像を返すため、処理が遅くなるだけである。

次に、ブラウザは縮小された画像を二つのコピーにして送信する。一つは何も変更されていない「クリーンなオリジナル画像」、もう一つはユーザーがブラシで塗った部分が赤く塗りつぶされた「赤いマーク付きのコピー」だ。赤いコピーは編集されず、次のステップでどの部分がマークされたのかをAIに伝えるためだけに存在する。

三番目のステップでは、「ビジョンモデル」と呼ばれるAIが、先の二つの画像と「赤いマーク領域内の人物を特定してください」といった指示を受け取る。そして、「左の青いシャツを着た男性」のような短いラベルを生成して回答する。このラベリングステップは平均して約2.5秒で完了し、ほとんどの場合で正確なラベルが生成される。

四番目のステップで、編集モデルはクリーンなオリジナル画像と、生成されたラベルから作られた指示文を受け取る。例えば、「写真から『左の青いシャツを着た男性』を完全に削除し、背景とシーンをリアルに再構築してください。他のものは何も変更しないでください。」といった具体的な指示文が生成される。編集モデルは赤いマーク付きの画像を受け取らないため、赤いピクセルが最終結果に混入する心配はない。

もし、ラベリングステップでビジョンモデルが適切なラベルを生成できなかった場合は、フォールバックとして、編集モデルは赤いマーク付きの画像と、「赤い領域が覆っているものを完全に削除してください。それ以外は変更しないでください。」というような汎用的な指示文を受け取る。この場合でもツールは動作するが、具体的にターゲットを特定できないため、結果の品質は多少劣る可能性がある。

なぜ、私たちが消したい部分だけをブラシで塗ったのに、写真全体が変わってしまうのだろうか。それは、最終ステップで編集モデルが受け取る指示文に「他のすべてを正確に変更しないでください」と書かれているとしても、それはあくまで「リクエスト」であり、「保証」ではないからだ。モデルは画像を生成する際に、フレーム全体を再構築するため、パイプラインの途中で元のピクセルをコピーして貼り戻す工程が存在しない。そのため、元の画像とピクセル単位で完全に同一な部分は存在しないのである。

実際には、ブラシで塗らなかった部分は見た目には同じように見えるが、微細な違いが生じている。特に変化しやすいのは、布地や葉、砂利のような細かい繰り返しテクスチャ、ブラシ領域から離れた場所にある小さな文字、そして背景に写る顔などだ。画像全体の色調がわずかにシフトすることもある。 このような変化は、SNS投稿など一般的な用途では許容されるが、厳密な色プロファイルが求められるEコマースの商品画像や、すべての文字が完璧に残る必要があるスキャンされた文書など、記録として使用される画像には不適切である。そのため、MagicRemoverの公式ページでも、ブラシ領域に変化が集中するものの、それ以外の部分もピクセル単位では同一ではないと明記されるようになった。

では、なぜ、編集された部分だけを使い、それ以外の部分を元の画像からコピーして貼り戻す「合成（コンポジット）」という方法を採用しないのだろうか。これは一見、最も分かりやすい解決策に思える。しかし、この合成方式にはいくつかの問題点があり、指示編集の最大の利点を失うことになる。

一つ目の問題は「影の復活」だ。指示編集のモデルは、人物だけでなく、その人物が落とす影も一緒に除去できるのが強みである。しかし、マスクの外側を元の画像から合成してしまうと、ユーザーがブラシで塗らなかった影の部分が、元の画像からそのまま貼り戻されてしまう。

二つ目の問題は「継ぎ目の発生」である。AIモデルが再構築した領域と、元の画像の領域が接する部分で、明るさや色調のわずかな段差が生じることがある。たとえ境界線をぼかして滑らかに見せようとしても、空のグラデーションや白い壁のような均一な背景では、このわずかなズレが「継ぎ目」として認識されてしまう可能性がある。

三つ目の問題は「解像度の維持」だ。指示編集は画像を約1メガピクセルに縮小して処理を行うため、最終的に出力される編集済み画像も約1メガピクセルのサイズとなる。この1メガピクセルの編集済み画像を、元の高解像度画像に合成しようとすると、編集された部分だけが引き伸ばされて、周囲の元の高解像度ピクセルと比較して、ぼやけて不鮮明に見えてしまう。

これらの課題があるため、MagicRemoverでは現在のところ合成方式は採用していない。将来的には、ブラシで塗る範囲が狭く、強い影がない場合にのみ合成を行い、それ以外の場合は全体再生成を行う「ハイブリッド方式」が検討されている。

したがって、指示編集のAI消しゴムは万能ではない。マスクの外側がピクセル単位で完全に同一である必要のある場合、例えば厳密な色管理が求められる商品写真や、記録としての文書などでは、マスクインペインティング方式のツールや、Photoshopの「削除ツール」のような高解像度ファイルを直接扱うデスクトップエディタを使用する方が適切だ。また、印刷に耐えうる高解像度が必要な場合も、約1メガピクセルで動作するAI消しゴムは向いていない。さらに、画像に保持したいテキストが密集している場合も、フレームの再生成によってブラシ領域から離れた文字が微妙に変化する可能性があるので注意が必要である。

MagicRemoverは、ウェブやソーシャルメディア向けの写真を素早く編集したい場合に最適なツールだ。人物、オブジェクト、テキスト、ステッカー、透かしなどをブラシで塗るだけで、通常1分以内にそれらが除去された写真が返ってくる。アカウントなしで1日2回まで無料で利用でき、Googleアカウントでサインインすればさらに2回利用できる。しかし、高解像度やブラシ領域外のピクセル単位での完全一致が必要な場合は、元のファイルで動作するデスクトップエディタを使用することが勧められる。 このように、AI消しゴムは単に「穴を埋める」だけでなく、写真全体の文脈を理解し、再構成するという高度な処理を行っている。その裏側にある技術と限界を理解することで、私たちはそれぞれのニーズに合った適切なツールを選ぶことができるだろう。