被写界深度（DoF）とは、画像内で許容できるほどシャープに見える、シーン内の最も近い物体と最も遠い物体の間の距離を指す。写真や映画撮影では、絞り値、焦点距離、被写体距離によって制御される。浅い被写界深度は、前景と背景をぼかすことで被写体を際立たせ、深い被写界深度は、シーンの大部分をピントが合った状態に保つ。Generative AIの画像・動画生成の文脈では、被写界深度は重要な視覚スタイルパラメータであり、プロンプト作成者が伝統的なカメラ光学を模倣し、合成画像にリアリズム、焦点、物語的な強調を加えるために呼び出す。
この概念は初期の写真術に起源を持ち、数十年にわたる光学工学を通じて洗練されてきた。19世紀には、フィルム感度が低かったため、写真家は深い焦点を達成するために小さな絞りと長時間露光を使用した。20世紀初頭までに、より速いレンズとフィルムが浅い被写界深度を可能にし、肖像写真家によって普及した。映画では、オーソン・ウェルズやグレッグ・トーランドのような監督が、市民ケーン（1941年）で複雑なシーンを演出するために深い焦点を使用し、他の監督は心理的効果のために浅い焦点を採用した。これらの技法は基礎的な視覚言語となり、後にデジタルアーティストやAIモデルに採用された。
視覚的特徴
被写界深度は、いくつかの明確な視覚的手がかりを通じて現れる。最も明白なのは、ピントが合っていない領域のぼけやボケであり、これはクリーミー、円形、またはレンズの絞り羽根によって形作られることがある。シャープからぼやけへの移行は、レンズと絞りに応じて、徐々にまたは急激に起こり得る。前景のぼけは、光学物理のため、背景のぼけよりも大きく柔らかく見えることが多い。AI生成画像では、これらの特徴は、大量の写真データセットで訓練されたNeural networkモデルによってシミュレートされ、リアルなボケ、レンズフレア、焦点の減衰を再現できる。プロンプト作成者は、「浅い被写界深度」「ボケ」「背景ぼかし」「f/1.8」などの用語を指定して、これらの効果を引き出す。
AI画像生成における役割
Artificial intelligence画像合成では、被写界深度は物理的特性ではなく、学習された視覚パターンである。拡散ベースのシステムやU-Netアーキテクチャなどのモデルは、テキストと画像のペアデータで訓練され、テキスト記述子と視覚的結果の間の関連を学習する。プロンプトに「被写界深度」が含まれると、モデルはその潜在表現を調整し、選択的焦点を持つ画像を生成する。これは、NYU Depth V2やInverse depth parametrizationなどのモデルが3D再構築に使用される明示的な深度推定とは異なる。プロンプトベースの生成では、DoFは幾何学的計算ではなく、スタイル上の選択である。
プロンプト技法
被写界深度の効果的なプロンプト作成には、技術用語と説明的な文脈を組み合わせることが含まれる。一般的なキーワードには、「浅い被写界深度」「深い被写界深度」「マクロ撮影」「背景ぼかしのある肖像」「f/2.8」「85mmレンズ」「ボケ」などがある。被写体とシーンの詳細を追加することで、モデルが焦点を優先するのに役立つ。例えば、「浅い被写界深度、背景ボケのある女性の肖像」は、被写体に焦点を当てた画像を生成する。逆に、「深い被写界深度、すべてシャープな風景」は、広角の明瞭さを生み出す。一部のモデルは絞り値やレンズ名に反応するが、結果は異なる。プロンプト作成者はしばしば、出力に基づいて用語を洗練しながら反復する。これは、モデル訓練におけるCurriculum Learningに似たプロセスである。
著名な実践者とモデル
いくつかのAI研究グループが、被写界深度合成を進歩させてきた。OpenAIのDALL-EとSora、Google DeepMindのImagen、AnthropicのClaude（統合によるテキストから画像へ）は、高忠実度のDoFレンダリングを実証している。Stability AI（リストにはないが暗示）とMidjourney（リストにはない）はコミュニティで人気があるが、ここには記載されていない。BAIR (Berkeley AI Research)とStanford AI Labからの学術研究は、生成モデルにおける制御可能な焦点を探求してきた。ビデオでは、Sony AIとNVIDIA（リストにはない）が深度認識生成を研究している。これらのシステムは、Transformer (architecture)アーキテクチャとCross-Attentionメカニズムを活用して、テキストプロンプトを空間的特徴と整合させ、正確な焦点制御を可能にしている。
技術的基盤
AIモデルにおける被写界深度は、しばしば暗黙的に学習されるが、一部のシステムは明示的な深度マップを組み込んでいる。例えば、Neural radiance field (NeRF)（ニューラル放射場）は、カメラ光学をシミュレートすることで、リアルなDoFでシーンをレンダリングできる。Inverse depth parametrizationは、3D再構築で深度を逆数的に表現するために使用され、焦点シミュレーションを支援する。NYU Depth V2のようなデータセットは、訓練用のグラウンドトゥルース深度を提供し、モデルが空間関係を理解するのに役立つ。これらの技術的要素は、意味的理解に依存するプロンプトベースのDoFとは異なる。しかし、ハイブリッドアプローチは両方を組み合わせ、深度マップを使用して拡散モデルを導き、フレーム間で一貫した焦点を実現する。
課題と限界
AI生成の被写界深度は、常に物理的に正確であるとは限らない。モデルは、複数の被写体や反射面がある複雑なシーンで、特に一貫性のないぼけを生成する可能性がある。過度に強いDoFは画像を人工的に見せ、弱いDoFは被写体を分離できないことがある。プロンプト作成者は、特異性と柔軟性のバランスを取る必要がある。過度に詳細なプロンプトはモデルを混乱させる可能性がある。さらに、動画生成は時間的一貫性の問題に直面し、焦点がフレーム間で急激にシフトすることがある。MIT CSAILとUniversity of Oxfordからの研究は、時間的注意メカニズムと深度条件付き生成を通じて、これらの課題に対処してきた。
将来の方向性
生成モデルが進化するにつれて、被写界深度の制御はより直感的になっている。新しいモデルは、不要なぼけを減らすためのネガティブプロンプトをサポートし、一部は領域ベースの焦点編集を可能にする。Large language model推論の統合により、「クリーミーなボケのある肖像」のような抽象的なプロンプトが正しく解釈されるようになっている。Apple、Samsung Electronics、Qualcommなどの企業は、オンデバイス生成を最適化し、モバイルでDoF制御を利用可能にしている。映画制作や仮想プロダクションにおけるGenerative AIの台頭は、被写界深度が伝統的な光学とニューラル合成を橋渡しする重要な美的ツールであり続けることを示唆している。
結論
被写界深度は、アナログ写真からデジタルアートやAI生成へと移行してきた基本的な視覚概念である。その視覚的特徴（選択的焦点、ボケ、深度の手がかり）は、ストーリーテリングとリアリズムに不可欠である。AIプロンプトでは、物理的な機器なしでプロのカメラワークを模倣することを可能にする強力なスタイルのレバーである。モデルが改善されるにつれて、シミュレートされた光学と実際の光学の間の線は曖昧になり続けるが、被写界深度の背後にある芸術的意図は変わらない。つまり、視聴者の目を導き、感情的反応を形成することである。