潜在空間

潜在空間は、画像や文章などの複雑なデータを、「本質的な特徴」だけを取り出した少ない数値の並びで表す抽象的な空間です。「潜在」とは、表からは見えないが、背後に隠れている、という意味です。

考え方

たとえば顔写真は、数百万の画素で構成されていますが、その違いの多くは「年齢」「髪型」「表情」「向き」など、限られた要素で説明できます。ニューラルネットワークは、学習を通じて、こうした要素を数百〜数千の数値に圧縮して表すことを覚えます。この数値の組み合わせが「潜在表現」で、そのすべての可能性が広がる空間が潜在空間です。地図でいえば、実際の風景（元のデータ）ではなく、緯度経度（座標）で場所を表すイメージです。似たデータは近い座標に、異なるデータは遠い座標に配置される傾向があります。

画像生成での役割

Stable Diffusion などの潜在拡散モデルは、画像そのものではなく、VAE という仕組みで圧縮した潜在空間の上でノイズ除去を行います。画素の世界で直接処理するより計算量が大幅に小さく、家庭用のGPUでも動かしやすくなりました。最後に VAE のデコーダで、潜在表現を通常の画像に戻します。

具体例

• 潜在空間で2つの画像の座標の間を少しずつ動かすと、片方からもう片方へ滑らかに変化する中間の画像が得られる。
• 「笑顔の方向」のような特定の方向に動かすと、他の特徴を保ったまま表情だけ変えられる、という研究が知られている。
• 文章の埋め込み（embedding）も、意味を表す空間の座標と言えます。意味が近い文は、近い位置にきます。

使うときの注意・よくある誤解

• 潜在空間の各軸が、人間にとって分かりやすい意味（「明るさ」など）に対応しているとは限りません。多くの場合、複数の特徴が混ざっています。
• 圧縮にともない、細かい文字や模様などの情報が失われます。潜在拡散モデルが細い線や小さな文字を苦手とする一因です。
• 「潜在空間に画像が保存されている」わけではありません。モデルが再構成できる範囲の特徴を表しているだけです。
• 学習したデータの偏りは、空間の構造にも反映されます。

関連する考え方

圧縮と復元を担う VAE、ノイズから画像を作る拡散モデル、意味を数値ベクトルで表す埋め込みと密接に関わります。仕組みを知ると、画像生成の速度やメモリ消費が何で決まるかが見えてきます。

初心者向けのまとめ方

難しく感じたら、「元のデータを小さな設計図にしたもの」と考えてください。画像生成 AI は、巨大な絵そのものではなく、小さな設計図を書き換えて、最後に絵へ戻しているのです。