Stable Diffusionでポートレートを生成したのに、構図も照明もいいのに顔だけがおかしい。肌には毛穴がなく、表面はマネキンのように光を反射する。細部まで磨き込まれすぎていて、ひと目で機械生成だとわかる、あの「AIっぽいプラスチック感」です。
このガイドでは、なぜプラスチック感が出るのか、Stable Diffusionで実際に解決してくれるリアル系モデルはどれか、そしてフォトリアルな出力とプラスチックのような出力を分ける具体的な設定と後処理を解説します。
Stable Diffusionの画像がプラスチックっぽく見える理由
プラスチック感は単一の失敗ではありません。3つの要因が重なり合い、互いに影響して生まれます。
学習データの偏り。 SDXLやSD 1.5のようなベースモデルは数百万枚の画像で学習されています。その中には、デジタル加工されたストック写真、エアブラシ調のイラスト、学習データに再投入されたAI生成画像も多く含まれます。学習分布の大半を滑らかで完璧な肌が占めるため、モデルはそれを標準として学習します。リアル系のfine-tuned checkpointは、肌の質感や毛穴、自然な不完全さが見える未加工写真に絞って学習し、この偏りを補正します。
サンプラーとCFGの相互作用。 CFG scaleが7を超えると、モデルはプロンプトに厳密に従おうとします。その結果、肌を含め、あらゆる概念を理想化した形で強く生成しがちです。ポートレートでCFGを8以上にすると、毛穴や肌荒れ、微細な質感につながる高周波ノイズが抑え込まれます。細部より一貫性を優先するサンプラーまで組み合わせると、近くで見るほど人工的なガラスのように滑らかな表面になります。
ネガティブプロンプトの不足。 避けたいものを明示しなければ、モデルにはプラスチック感、エアブラシ肌、滑らかな肌、ドール風の表現が望ましくないという手がかりがありません。ネガティブプロンプトは余分な指を消すためだけのものではなく、肌のリアリズムを直接コントロールするレバーです。
今選ぶべきStable Diffusionのリアル系モデル
すべてのcheckpointがフォトリアリズム向けに作られているわけではありません。以下のモデルは、安定した出力品質、活発なコミュニティでの検証、Civitaiで確認できるダウンロード数によって評価を確立しています。それぞれリアリズムの得意分野が異なります。
| モデル | アーキテクチャ | 最低VRAM | 得意な用途 | 主な強み |
|---|---|---|---|---|
| RealVisXL V5.0 | SDXL 1.0 | 8 GB | ポートレート、クローズアップ | 自然なフィルム感、肌の質感 |
| Juggernaut XL v10 | SDXL 1.0 | 8 GB | 幅広いフォトリアリズム | シネマティックな照明、広いプロンプト対応範囲 |
| Realistic Vision V6.0 | SD 1.5 | 4 GB | 低スペック環境でのリアリズム | 4 GBで動作、巨大なLoRAエコシステム |
| CyberRealistic XL v10 | SDXL 1.0 | 8 GB | きれいな写実表現、素早い反復 | LCM/Lightning対応、シャープな出力 |
| EpicRealism | SD 1.5 / SDXL | 4-8 GB | 細部、自然な照明 | 過度なシャープ化を避け、生命感のある色調 |
RealVisXL V5.0は今もポートレート用途でコミュニティの第一候補です。35mmフィルムを思わせる自然な粒状感があり、近くで見ても破綻しにくい肌を生成します。Juggernaut XL v10は最も万能なSDXL checkpointです。出発点に迷ったら、ポートレートから商品撮影まで安定して扱え、ダウンロード数は1,800万を超えています。
Realistic Vision V6.0は引退を拒むSD 1.5の定番です。4 GB程度のGPUでも動作し、低解像度ならSDXLモデルに匹敵する肌色と照明を出せます。CyberRealistic XLにはLCMとLightningのバリエーションがあり、フォトリアリズムを犠牲にせず素早く試したい人に向いています。EpicRealismは意図的に地に足のついた表現で締めくくるモデルです。他のモデルに出やすい、AI的に磨かれた過度なシャープ感を避けます。
ハードウェアに合うモデルの選び方
GPUで動かなければ、モデル選びに意味はありません。実用的な判断は簡単です。まずVRAMの層を正しいアーキテクチャに合わせ、その中でリアリズムを最適化します。
| VRAM | 推奨アーキテクチャ | おすすめリアル系モデル | 期待できること |
|---|---|---|---|
| 4-6 GB | SD 1.5 | Realistic Vision V6.0 | ネイティブ512x512、高速生成、優れた肌色、解像度は限定的 |
| 8 GB | SDXL | Juggernaut XL v10またはRealVisXL V5.0 | ネイティブ1024x1024、強いディテール、LoRAを重ねるとVRAM管理が必要な場合あり |
| 12 GB+ | 余裕のあるSDXLまたはFlux | 完全なLoRAスタックを使う任意のSDXL checkpoint | 複数LoRA、ControlNet、ADetailerを同時に使える |
| 16 GB+ | FluxまたはSDXL | Flux Dev GGUF Q8 | ローカルで得られる最高水準のフォトリアリズム、優れた解剖表現とプロンプト追従 |
SDXLはロードするだけで8 GB、VRAMを常にやりくりせず使うには12 GBが必要です。6 GB以下なら無理にSDXLを動かさないでください。Realistic VisionのようなSD 1.5モデルは低メモリ向けに最適化され、512x512でも優れた写実表現を出せます。あとでアップスケールすれば十分です。SD 1.5からSDXLに移ると解剖、細部、プロンプト理解はすぐに向上しますが、VRAMコストも同じように増えます。
フォトリアルな出力に必要な設定
正しいcheckpointを選ぶのは最初の一歩にすぎません。組み合わせるサンプラー、CFG scale、ステップ数、ネガティブプロンプトが、写真に見えるかレンダーに見えるかを決めます。
サンプラー。 DPM++ 2M SDE KarrasとDPM++ 3M SDE Karrasは、肌の質感に最適だというコミュニティの定番です。毛穴、粒状感、表面の不規則さにつながる高周波の細かなノイズを保ちます。Euler aとDDIMはより滑らかな結果になりやすく、フォトリアリズムには逆効果です。
CFG scale。 SDXLのポートレートでは、CFG 4から7が最も自然な肌になりやすい範囲です。7を超えると、理想化されたきれいすぎる出力に寄ります。丁寧に調整したネガティブプロンプトと組み合わせ、CFG 2-3で良い結果を出す人もいます。プロンプトへの厳密な追従は弱まりますが、自然な質感を生成する余地が増えます。
Steps。 SDXLの標準範囲は25-30 stepsです。肌のディテールを最大化するなら、DPM++ 3M SDE Karrasで40-60 stepsまで増やすと、毛穴の定義や髪の描写が目に見えて向上します。60を超えると効果は急激に薄れます。LightningとLCMのバリエーションは4-8 stepsで使える結果を出せますが、最終出力より反復向きです。
ネガティブプロンプト。 プラスチック感を消す大半の作業はここで決まります。リアルなポートレートには次のようなネガティブプロンプトが有効です。
plastic, smooth skin, airbrushed, poreless, doll-like, flawless, perfect skin3d render, cgi, digital painting, illustration, cartoon, animeblurry, low quality, deformed, bad anatomy, extra fingers, mutated handswax, retouched, photoshop, overexposed
1行目はプラスチック感を直接狙い、2行目は写真以外のスタイルを除きます。3行目は構造上のエラーを処理し、4行目は元の生成が良くても画像を人工的に見せる過剰な後処理感を取り除きます。
チェックポイントの先へ：LoRA、ADetailer、プロンプト設計
モデルと設定が正しくても、標準解像度では顔の細部が失われがちです。コミュニティでは、この問題に体系的に対応する段階的な後処理が発展してきました。
リアリズムLoRA。 PolyhedronのSkin & Handやadd-details-xlのような軽量LoRAは、0.3から0.8の低いweightでも肌の質感と細部を注入します。weight 1.0では画像全体に高周波ディテールを描かせるため、肌には劇的な効果がある一方、背景にアーティファクトが出ることもあります。まず0.5から始め、結果を見て調整してください。
ADetailer（After Detailer）。 顔の修正に最も効果的なツールです。生成画像に検出モデルをかけて顔を特定し、専用プロンプトを使って高解像度で自動再生成します。推奨設定は次のとおりです。
- Detection model:
face_yolov8n.pt - Confidence threshold: 0.3
- Denoising strength: 0.22-0.28。置き換えではなく細部の補正が目的なので、標準より低くする
- Steps: 18-22
- CFG: 4-4.5
- Inpaint only masked: ON
- ADetailer prompt:
natural skin texture, visible pores, subtle imperfections, soft skin transitions, realistic eyes, natural lips
低いdenoising strengthが重要です。0.5以上では顔をほぼ置き換えるため、新しいアーティファクトが出たり、被写体のアイデンティティを失ったりします。0.22-0.28なら元の生成を捨てずに、毛穴の構造を加え、目をシャープにし、軽微な解剖の問題を直せます。
リアリズム向けのプロンプト技法。 使う言葉がモデルの生成する質感を決めます。効果的なトリガーには次のようなものがあります。
natural skin texture, visible pores, subtle blemishes, frecklescandid iphone camera portrait, raw photo, unretouched85mm portrait lens, shallow depth of field, natural lightingoily skin, sun-damaged skin, aged 35 years old, flyaway hair strands
最後の行は意外ですが強力です。現実の人には、皮脂、日焼けによるダメージ、シミ、跳ねた髪があります。こうした不完全さを指定すると、理想化された標準状態から離れ、本当のフォトリアリズムに近づきます。レンズと照明も指定すれば、出力をデジタルレンダーではなく写真の現実に固定できます。
ローカル環境を用意できないとき：クラウドの代替手段
ローカルのStable Diffusionには相応のハードウェアが必要です。LoRA、ADetailer、ControlNetを同時に使うSDXLワークフローには12-16 GBのVRAM、フル精度のFluxには24 GBが必要です。誰もがそこまでの機材に投資したいわけではありません。ComfyUIやAUTOMATIC1111をインストールし、数GBのcheckpointをダウンロードし、サンプラーと拡張機能を設定するだけでも、最初の1枚を生成するまでに何時間もかかります。
ここでクラウドのAI画像生成ツールが実用的な代替になります。Seavid AIのtext-to-imageプラットフォームなら、ローカル環境を用意せず、ブラウザからSeedream 5.0、Nano Banana Pro、GPT Imageなど複数の先端モデルにアクセスできます。テキストプロンプトでイメージを説明し、スタイルと解像度を選んですぐに生成できます。既存画像を調整・変換したい場合は、image-to-imageツールで構図を保ったままスタイル変換や強化ができ、SeedEditならアイデンティティを保った指示ベースの編集が可能です。
トレードオフはコントロールです。ローカルStable Diffusionなら、サンプラー、CFG、step数、LoRA weight、ネガティブプロンプト、inpainting maskまで細かく触れます。クラウドツールはそれらをシンプルなUIの裏側に抽象化するため、速度と使いやすさには優れますが、肌の質感や顔の細部を個別に調整したい場合は制約になります。素早いプロトタイプ、SNS用コンテンツ、専用GPUを持たないユーザーにはクラウドがハードウェアの壁を完全に取り除きます。一方、毛穴一つまで重要な品質のポートレートなら、ローカルワークフローがまだ有利です。
よくある失敗と避け方
- ポートレートにベースSDXLを使う。 ベースSDXLはプラスチック肌になりやすいことが知られています。人像には必ずRealVisXLやJuggernaut XLのようなfine-tunedのリアル系checkpointを使いましょう。
- 肌にCFG 7超を使う。 高いCFGは自然な質感を抑えます。4-6まで下げ、品質管理はネガティブプロンプトに任せてください。
- ADetailerを省く。 被写体が1024x1024の画面の一部しか占めない場合、顔の細部が失われます。ADetailerが自動で直してくれるので、飛ばす理由はありません。
- LoRAを重ねすぎる。 追加するLoRAが増えるほど、色ずれやアーティファクトの可能性も高くなります。まずweight 0.5のリアル系LoRAを1つ試し、必要なときだけ増やします。
- 不完全さの指定を忘れる。 プロンプトが「beautiful woman, perfect skin」だけなら、モデルはそのとおりに生成し、結果は不自然になります。毛穴、肌荒れ、自然な照明を加えましょう。
- Hi-Res Fixなしでアップスケールする。 通常のアップスケールはすべてを均一にシャープにし、肌をワックスのように見せます。denoising strength 0.3-0.4のHi-Res Fixで、細部をコントロールしながら強化してください。
よくある質問
SD 1.5でもフォトリアルな結果を出せますか？それともSDXLが必要ですか？
出せます。SD 1.5のRealistic Vision V6.0でも、肌色と照明のリアリズムは十分に優れています。違いは解像度と解剖の一貫性です。SD 1.5はネイティブ512x512、SDXLは1024x1024です。GPUが4-6 GBならSD 1.5が最適で、結果はあとからアップスケールできます。
プラスチック感を直す最も効果的な1つの変更は何ですか？
プラスチック感を直接狙うネガティブプロンプトを追加することです：plastic, smooth skin, airbrushed, poreless, doll-like, flawless。サンプラーやCFGを調整する前でも、ほとんどのリアル系checkpointで目に見える改善が得られます。
専用GPUは必要ですか？クラウドツールは使えますか？
ローカルSDXLには、少なくとも8 GB VRAMの専用NVIDIA GPUを推奨します。持っていない場合は、Seavid AIのようなクラウドツールからブラウザ経由で高品質モデルを使えます。ただし、ローカル環境ほどパラメーター単位の制御はできません。
フォトリアリズムならStable DiffusionとFluxのどちらが優れていますか？
Fluxは通常、より高品質なフォトリアリズムと優れた解剖表現、プロンプト追従を実現します。ただし量子化しても12+ GB VRAMが必要で、LoRAエコシステムも小規模です。SDXLはコミュニティモデルの豊富さ、成熟したツール、低いハードウェア要件により、今も大多数のユーザーにとって現実的な選択です。ハイエンド環境で最高の結果を求めるなら、GGUF Q8のFlux Devが現在のローカル最有力候補です。
肌のリアリズムにサンプラー選びはどれほど重要ですか？
非常に重要です。DPM++ 2M SDE KarrasとDPM++ 3M SDE Karrasは、肌の質感につながる高周波ノイズを保ちます。Euler aからDPM++ SDE Karrasへ変えるだけで、モデル変更より目立つ改善が得られることもあります。特にSDXL checkpointで効果的です。
