AIレンダリングは多くの建築事務所で実験段階を越え日常的なワークフローになりましたが、用語は追いついていません。建築家は「拡散モデル」や「ControlNet」といった用語を明確な共通定義なしに使っており、技術が実際に行っていることと表現の間のギャップが広がっています。
ここでは知っておくべき20の用語を紹介します。各項目は平易な定義と、それが実際のワークフローでなぜ重要かを示す一文を添えています。
基礎知識
1. 拡散モデル 多くのレンダリングツールの背後にあるAI。拡散モデルはランダムノイズの画像から始め、テキストプロンプトや条件付け入力に導かれて反復的にノイズを除去し、整合性のある画像に到達します。各ステップのノイズ除去は学習された小さな変換です。なぜ重要か：出力が反復的なノイズ除去を経て生成されることを理解すると、同じ入力でも毎回わずかに異なる出力になる理由（開始ノイズがランダムであり、ノイズ除去の経路が確率的であること）が分かります。
2. テキストプロンプト AIに与える指示です："白オークのキャビネットとコンクリート床の陽光差し込むスカンジナビア風キッチン"。プロンプトは条件付け画像と並んで出力を形作ります。なぜ重要か：建築向けツールは条件付けを内部で扱うことでプロンプト技巧への依存を減らします—素材や照明のプリセットを指定するだけで、長い説明文を書く必要がなくなります。
3. 条件付け画像 あなたの入力です：3Dモデルのビューポート、SketchUpのスクリーンショット、Revitのエクスポートなど。条件付け画像は出力をあなたのジオメトリに固定します。これが建築向けAIレンダリングをテキストからの画像生成と区別する点です—AIが空間を想像するのではなく、あなたの空間をレンダリングします。なぜ重要か：条件付け画像の質（クリーンなモデル、良いカメラアングル、一貫したマテリアル設定）がレンダリング品質に直接影響します。
4. 画像→画像（img2img） 既存の画像を変換して新しい画像を生成する手法で、純粋なノイズから生成するのとは異なります。ほとんどの建築向けAIレンダリングはimg2imgです—あなたが3Dビューポートを提供し、フォトリアリスティックなバージョンを受け取ります。なぜ重要か：これがモデルのスクリーンショットをレンダリング画像に変換する仕組みであり、説明だけから任意の空間を生成するテキスト→画像とは異なる点です。
5. ノイズ除去強度 入力画像からどれだけモデルが逸脱するかを制御します。デノイズ強度が高いとモデルの創造的自由度が増し、出力が入力から大きく乖離することがあります。デノイズ強度が低いと出力は入力に非常に近くなりますが、必ずしもフォトリアリズムを達成できないことがあります。重要性：適切なバランスを見つけることは、AIによる建築パースにおける核心的な緊張点です—リアリズム（写実性）と忠実度の対立。
ジオメトリと忠実度
6. ControlNet 拡散モデルの出力を構造的入力（エッジ線、深度マップ、3Dモデルから抽出した法線など）で条件付けするニューラルネットワークの拡張です。ControlNetは、AIレンダリングを単なる生成的出力ではなく建築的なものにする要素で、設計の空間的な地図をモデルに与えます。重要性：ControlNetの条件付け強度がジオメトリの保持を制御する主要なパラメータです。重みを上げるほど設計に忠実になります。
7. ジオメトリ忠実度 レンダリングツールが壁、開口、比率、構造要素を入力に対してどれだけ正確に保持するかの度合いです。生成系ツールはドリフトを減らせる場合がありますが、完全な保持を保証するものではないため、元のモデルや図面が最終的な根拠となります。重要性：ジオメトリのドリフトは単なる美的問題ではなく、専門的な問題です。
8. ジオメトリのドリフト／誤生成 AIが入力ジオメトリを変更してしまう現象です：壁が移動する、モデリングしていない家具が追加される、窓の比率が変わる、天井高さが学習データの期待に合わせて調整されるなど。原因はControlNetの条件付け強度が低いことや、視覚的品質を建築精度より優先して学習されたモデルです。重要性：設計と一致しないレンダリングはクライアントを誤導し、実際のプロジェクトに存在しない期待を生みます。
9. 深度マップ ピクセルの明るさがカメラからの距離を表す3Dシーンのグレースケール表現です。明るいピクセルは近く、暗いピクセルは遠いことを示します。ControlNetへの入力として使用され、モデルにあなたのモデルの三次元的な空間構造を保持させます。重要性：深度マップによる条件付けは、どの要素が手前にあるかをAIに理解させ、面が平坦化されたり空間関係が失われるのを防ぎます。
10. エッジ検出（Canny/HED） ビューポートから境界線を抽出するアルゴリズム — 壁の境界、ドア枠、構造柱、家具の輪郭など — をControlNetのコンディショニングに利用します。CannyとHEDは感度設定が異なる具体的なアルゴリズムの例です。重要性：エッジ条件付きの建築パースは建築の線的なジオメトリを非常に忠実に保持します。モデル内の壁線が整っていれば、エッジ条件付けは出力に対して極めて忠実なジオメトリを生成します。
照明と仕上げ材
11. 照明プリセット 名前付きの照明条件 — ゴールデンアワー、曇天、ブルーアワー、正午など — で、太陽の角度、色温度、空の状態、影の品質を一括で設定します。重要性：HDRI環境画像、太陽位置、露出設定を個別に調整する必要がなくなります。照明工学の知識がなくても一貫した再現性のある結果が得られます。
12. ゴールデンアワー 日の出後約1時間および日の入り前約1時間の期間で、太陽が低く光が暖かいアンバー／オレンジになります。写真やレンダリングでは、ゴールデンアワーの光は長く柔らかい影、暖かい色温度（約2500–3500K）、映画的な質感を作り出します。重要性：住宅の内観や建築の外観撮影で最も好まれる照明で、クライアントは暖かさに反応します。
13. ブルーアワー 日没後（または日の出前）の空が深い青になる時間帯で、対比により室内の人工光が暖かく見えます。ブルーアワーは外部のクールな色味と内部の暖色の劇的な色分離を生み出します。重要性：高級住宅、ホスピタリティ、ハイエンド商業施設のレンダリングで定番の照明条件です。夕方の雰囲気や生活感のある空間を演出する効果は他の条件では得にくいです。
14. 色温度 ケルビン（K）で測定されます。低ケルビン（約2700K）は暖かいオレンジ／アンバーの光で、白熱電球や夕日に似ています。高ケルビン（約6500K）はクールな青白い光で、曇天の昼光に相当します。重要性：色温度はレンダリングの感情的なトーンに最も影響する単一の変数です。同じ部屋でも2700Kでは居心地よく、6500Kでは無機質に感じられます。
15. HDRI（ハイダイナミックレンジ画像） 実環境の360°パノラマ写真で、従来のレンダリングでは照明源として使用します。HDRIはシーンに対して現実的な環境光、空の色、反射を提供します。重要性：HDRI相当のコンディショニングを備えたAIレンダリングツールは、HDRIファイルを用意・設定することなく実世界の環境から物理的に妥当な環境光を生成できます。
ワークフロー用語
16. インペインティング 既存のレンダリングの特定領域だけを編集し、他はそのままにしておく手法です。置き換えたい椅子や誤った窓装飾などの領域をマスクし、その領域だけを周囲に整合するように再生成します。重要な理由：既に良好なレンダリングの特定の問題を画像全体を再生成せずに修正できるため、制作ワークフローで大幅な時間短縮になります。
17. アップスケーリング AIを使って画像の解像度を元のサイズ以上に引き上げ、見かけ上のディテールを失わないようにする技術です。AIアップスケーラー（ESRGAN、Real-ESRGAN）は単なるピクセル補間ではなく学習したディテールを付加します。重要な理由：迅速な反復のために中程度の解像度でレンダリングし、承認された出力だけをアップスケールすることで、毎回4Kでレンダリングする必要がなくなります。
18. シード 拡散生成のノイズを初期化するために使われる乱数です。同じシードと同じプロンプトを使うと概ね同じ出力が得られます — 好きだった結果を再現したり、制御されたバリエーションを作る方法です。シードが異なれば、他が同じでも別のバリエーションになります。重要な理由：シードは一貫したバリエーションセットを作る手段です — 「同じ部屋を照明条件を変えて3種類見せてほしい」といった要求で、その他を揃えたまま違いだけを出せます。
19. 潜在空間 拡散モデルが動作する抽象的な数学的空間です。プロンプトや条件画像は潜在表現にエンコードされ、モデルはこの空間内でノイズ除去を行い、最終的に出力はピクセル空間にデコードされます。重要な理由：潜在空間を理解すると、似たプロンプトでも非常に異なる出力になる理由が分かります — ピクセル空間での小さな距離が潜在空間では大きな距離になることがあり、その逆もあります。
20. レンダーファーム レンダリングを並列処理するサーバー群で、従来は大手スタジオがレンダリング時間を数時間から数分に短縮するために使用してきました。クラウドのAIレンダリングツールは、事実上すべてのユーザーに対して各ジョブごとにレンダーファームを提供します。重要な理由：クラウドレンダリングは、マシンで他の処理が実行されていても一貫して約30秒で出力でき、ハードウェアの保守が不要で、費用が設備投資ではなく運用費として構成されます。
拡散モデルとは簡単に言うと何ですか？ 拡散モデルはランダムノイズから始まり、小さな学習済み変換を繰り返し適用して、テキストプロンプトや3Dモデルからの構造入力に導かれた一貫した画像に変えていきます。白紙に描くのではなく、ノイズを彫刻して形にするようなプロセスだと考えてください。
ControlNetはAIレンダリングで何をするのですか？ ControlNetは拡散モデルの出力を3Dモデルの構造表現（エッジ線、深度マップ、法線など）で条件付けします。これによりAIの出力が任意の空間を生成するのではなく、ジオメトリに基づいたものに留まります。ControlNetの重みが高いほど幾何学的忠実度が高くなります。
ジオメトリの忠実度とは何ですか？ ジオメトリの忠実度は、壁の位置、開口部の比率、空間関係が入力にどれだけ正確に従っているかを示します。これはMaqueteのような建築向けツールで主要な技術的優先事項ですが、生成結果は常に元のモデルと照合する必要があります。
ライティングプリセットとプロンプトの違いは何ですか？ ライティングプリセットは、ゴールデンアワーや曇天、ブルーアワーなど特定の照明条件を確実に再現するよう事前設計された条件信号です。プロンプトで指示するライティング（「西からの暖かい夕方の黄金色の光」など）は表現の仕方に依存し、シーンごとに結果の一貫性が低くなります。プリセットは再現性が高く、プロンプトは柔軟性があります。
さらに読む: AI建築レンダリングとは? — 拡散モデル、ControlNet、条件付け重みなどの基本概念を一か所でまとめた解説です。