画像内の文字崩れを防ぐ「GlyphPrinter」登場　日中韓や記号も正確に描写

AIで画像を生成するとき、背景や人物のクオリティが高くても、文字を入れた途端に破綻してしまう現象は誰もが経験しているはずだ。

英語なら何とか読めるレベルで出せることもあるが、日本語や中国語、韓国語、タイ語といった複雑な文字になると、画数が足りなかったり架空の文字が生成されたりと、ほぼ確実に崩れてしまう。

こうした課題に対し、復旦大学と南洋理工大学の研究チームが新たなテキストレンダリングフレームワーク「GlyphPrinter」を開発し、オープンソースで公開した。本研究はCVPR 2026に採択されており、コードとモデルの重み、データセットがHugging Face上で誰でも利用可能になっている。

画像全体ではなく「文字の領域」だけを正す

画像生成モデルに正しい文字を描かせる際、従来は画像全体を評価するリワードモデルを使ったり、合成データを大量に学習させたりする手法が一般的だった。しかし画像全体を評価すると、背景のクオリティが高いのに一文字だけ線が欠けている場合、構図全体に悪影響が出やすいという問題があった。

GlyphPrinterはこの問題を解決するため、FLUX.1-devをベースに「R-GDPO（領域グループ化直接選好最適化）」という仕組みを導入した。

チームはまず、文字領域ごとの正誤判定アノテーションを含むデータセット「GlyphCorrector」を構築。学習を2段階に分け、多言語テキスト画像によるベースの微調整を行った後、文字が存在する局所領域だけをターゲットにして選好最適化を実行する。

これにより、重厚な外部リワードモデルに頼ることなく、モデル自身が崩れやすい文字の筆画や構造を局所的に学習し、正確に描く能力を身につけた。

難解な多言語や石碑の刻紋まで再現

GlyphPrinterの強みは、扱える文字や表現の幅広さにある。

たとえばサイバーパンク調のゲームポスターを生成し、指定した日本語のメインタイトルやサブタイトルを配置させた場合、仮名や漢字をほぼ正確に描写できる。画数の多い中国語やハングル、フランス語、さらには描画難易度の高いタイ語まで、偽の文字を生み出さずに再現可能だ。

さらに単に文字をきれいに配置するだけでなく、周囲の質感になじませる表現にも長けている。

洞窟の壁面に刻まれた古代のシンボル、石碑に彫られた文字、路地の壁に描かれたグラフィティ、ケーキの上のアイシング文字など、光と影や素材の凹凸と文字の形状を自然に調和させて出力できる。

なぜ重要か

広告バナーやポスター、ゲーム素材の制作において、画像内のテキスト崩れは生成AIを業務ワークフローに組み込む際の大きな障壁だった。背景だけをAIで作り、文字はPhotoshopで後乗せしていたクリエイターにとって、質感ごと文字を直接生成できる価値は極めて大きい。

技術的な観点からも、大規模言語モデルで広く使われるDPO（直接選好最適化）を画像の局所領域へと落とし込んだアプローチは非常に合理的だ。文字だけでなく、手足の形状やロゴなど、AIが苦手とする局所的なディテールの改善にも応用できる道筋を示したといえる。

ベースがFLUX.1-devであるため動かすには一定のGPUリソースが必要だが、モデルとデータが完全にオープン化されたことで、各種WebUIや制作ツールへの統合が急速に進むとみられる。