Synthetic History: Evaluating Visual Representations of the Past in Diffusion Models

この論文は、テキストから画像を生成する拡散モデルが歴史的文脈をどのように表現するかを評価するためのベンチマーク「HistVis」を提案し、その評価を通じて、これらのモデルが特定の時代の視覚的ステレオタイプを強化したり、時代錯誤的な要素を含めたり、歴史的に妥当な人口統計的分布を反映できていないという体系的な不正確さを明らかにしています。

要約

この論文は、**「AI が描く『昔』は、本当に昔っぽいか？」**という疑問に答える、とても面白い研究です。

タイトルは『合成された歴史（Synthetic History）』。要するに、AI が「昔の話を描いて」と言われたとき、どんな絵を出すのか、そしてその絵が歴史の真実とどれだけズレているかをチェックしたレポートです。

これを、**「AI という料理人」**に例えて、わかりやすく解説しましょう。

---

🍳 物語：AI 料理人と「昔の味」

想像してください。世界中のレシピ（データ）を丸ごと覚えてしまった、超能力を持った**「AI 料理人」**がいます。
あなたは彼に、「18 世紀の料理を描いて」と頼みます。

しかし、この料理人が作る料理には、3 つの大きな問題がありました。

1. 問題その一：「時代ごとの『味』の固定観念」

（論文の用語：暗黙的なスタイルの関連付け）

AI 料理人は、時代によって「決まった味」を出そうとします。

• 17〜18 世紀を頼むと、彼は「版画（エングレービング）」のような、白黒で線画風の料理を出します。
• 19 世紀になると、「絵画」のような、少し色がついた料理に変わります。
• 20 世紀になると、やっと「写真」のようなリアルな料理が出てきます。

【何が問題？】
本当は、18 世紀でも色鮮やかな絵や、リアルな写真（当時の技術があれば）があったはずです。でも AI は**「昔＝白黒の版画」という「思い込み（ステレオタイプ）」**を勝手に持っていて、どんなに「リアルな絵を描いて」と頼んでも、その「昔っぽさのフィルター」を外せません。まるで、昔の映画はすべてモノクロだと思い込んでいるようなものです。

2. 問題その二：「タイムトラベルした道具」

（論文の用語：歴史的一貫性の欠如＝アナクロニズム）

AI 料理人は、昔の時代設定なのに、**「未来の道具」**を勝手に混ぜてしまいます。

• 18 世紀の料理シーンに、**「イヤホン」**を装着した人がいる。
• 19 世紀の台所に、**「電気ケトル」**が置かれている。
• 1930 年代の街角に、**「ノートパソコン」**が置かれている。

【何が問題？】
これは、歴史の教科書に「スマホを持ったナポレオン」が載っているようなものです。AI は「音楽を聴いている」という言葉には反応しますが、「18 世紀」という時間の制約を無視して、自分が知っている「音楽＝イヤホン」という組み合わせを優先してしまうのです。

3. 問題その三：「誰が食べているか？」の偏り

（論文の用語：人口統計学的な表現）

AI 料理人は、「昔の料理」を誰が作っているか、誰が食べているかを、**「今の世の中」**の感覚で描いてしまいます。

• 料理や家事のシーンでは、AI は「男性」を描きがちですが、歴史データでは女性が中心だったはずです。
• 仕事や学問のシーンでは、AI は「白人の男性」ばかり描きますが、実際にはもっと多様な人々が関わっていたはずです。

【何が問題？】
AI は「昔の日本」や「昔のアフリカ」を描こうとしても、無意識に「今のアメリカの映画」のような人々の配置になってしまいます。歴史の多様性を消し去り、偏ったイメージを強化してしまっているのです。

---

🔍 研究チームがやったこと：「歴史の味見テスト」

この研究チームは、この AI 料理人の腕前を測るために、**「HistVis（ヒストヴィス）」**というテストを行いました。

1. 3 万枚の料理を作る:
   最新の AI 3 種類（SDXL, SD3, FLUX.1）に、「17 世紀に音楽を聴く人」「19 世紀に畑を耕す人」といった、「時代」だけを変えて「活動」は同じという 3 万枚の絵を描かせました。
2. 味見をする:
   描かれた絵を、専門的なツールと人間の目でチェックしました。
   • 「本当に 18 世紀っぽいか？（スタイル）」
   • 「イヤホンやスマホが出ていないか？（アナクロニズム）」
   • 「性別や人種のバランスは歴史的に正しいか？（デモグラフィック）」

📊 見つかった結果：「AI は歴史を『再構成』している」

結果は、**「AI は歴史を正確に再現できていない」**というものでした。

• スタイルの偏り: 時代ごとの「見た目」の固定観念が強く、AI は過去の文化を「現在の私たちが思い描く昔のイメージ」で塗りつぶしてしまいました。
• 道具の混入: 現代の道具が昔の時代に入り込むことが非常に多く、歴史の連続性が崩れていました。
• 人々の偏り: 歴史的に正しいはずの人々の構成比（性別や人種）と、AI が描いた絵の間には大きなズレがありました。

💡 この研究が教えてくれること

この研究は、**「AI は歴史を『知っている』のではなく、過去のイメージを『再構成』しているだけ」**だと警告しています。

もし私たちが、教育や文化遺産の資料として AI が作った「昔の絵」を使ってしまうと、**「実は間違った歴史」**が広まってしまう危険性があります。

• 悪い例: 「昔は白人男性だけが働いていた」という間違ったイメージが広まる。
• 良い方向: 「AI が描く昔は、実は『今の私たちが思う昔』に過ぎない」と気づき、より正確な歴史知識を AI に教える必要がある、というメッセージです。

🎯 まとめ

この論文は、**「AI 料理人に『昔の味』を出させるには、単に『昔』と言うだけではダメ。『どんな道具を使っていたか』『誰がいたか』まで詳しく教えないと、彼は勝手に『今の味』を混ぜてしまうよ」**と教えてくれています。

AI が作る「合成された歴史」は、美しいかもしれませんが、それは**「過去の真実」ではなく「現在の偏見が混ざった夢」**である可能性が高いのです。私たちが AI を使うときは、その「夢」と「現実」の区別を常に意識する必要がある、というのがこの研究の結論です。

技術概要

論文「SYNTHETIC HISTORY: EVALUATING VISUAL REPRESENTATIONS OF THE PAST IN DIFFUSION MODELS」の技術的サマリー

本論文は、テキストから画像を生成する拡散モデル（Text-to-Image, TTI）が、歴史的な文脈をどのように視覚的に表現しているか、その精度とバイアスを体系的に評価するためのベンチマーク「HistVis」を提案し、その評価結果を報告するものです。

1. 研究の背景と課題

近年、TTI モデルは芸術、教育、メディアなど多様な分野で影響力を強めていますが、その社会的・文化的影響への懸念も高まっています。既存の研究は主に、ジェンダーや人種に関する人口統計学的バイアス、あるいは西洋中心主義的な文化的バイアスに焦点を当ててきました。しかし、**「過去（歴史）をどのように描くか」**という点については、事実の正確性だけでなく、集合的記憶や社会的変化の理解にも関わる重要な課題でありながら、十分に探求されていませんでした。

特に、AI が生成する歴史的画像には以下のような問題が潜んでいます。

• ステレオタイプな視覚的定型: 特定の時代を特定の様式（例：17 世紀＝版画、20 世紀初頭＝白黒写真）と無意識に結びつける傾向。
• 時代錯誤（Anachronism）: 過去の文脈に現代的な物体（スマートフォンなど）が混入する誤り。
• 人口統計の歪み: 歴史的に妥当な人種・性別の分布と乖離した表現。

2. 提案手法：HistVis ベンチマーク

著者らは、これらの課題を定量的に評価するための新しいベンチマーク「HistVis」を構築しました。

データセットの構成

• 規模: 30,000 枚の合成画像。
• プロンプト設計: 100 の「普遍的な人間活動」（例：音楽を聴く、農業を行う、教育を受ける）と、10 の「歴史的期間」（17 世紀〜21 世紀、および 20 世紀の 5 つの年代）を組み合わせ、「[活動] をしている人物、[時代] に」という中立なテンプレートを使用。
• 対象モデル: 3 つの最先端オープンソース拡散モデル（Stable Diffusion XL, Stable Diffusion 3, FLUX.1 Schnell）で生成。
• 特徴: 特定の人物や出来事、物体を明示せず、活動と時代のみを指定することで、モデルが内包する「歴史的表現のバイアス」を抽出する設計。

評価の 3 つの次元

1. 暗黙的な様式連想（Implicit Stylistic Associations）:
   • プロンプトに様式の指定がない場合、モデルが各時代に対してどの視覚様式（絵画、版画、写真、イラストなど）をデフォルトとして採用するかを評価。
   • 指標: 視覚様式支配度（VSD: Visual Style Dominance）スコア。
2. 歴史的整合性（Historical Consistency）:
   • 時代錯誤（Anachronism）の検出。
   • 手法: 2 段階パイプライン。
     1. LLM が特定の時代・活動に対してあり得る時代錯誤要素（例：18 世紀の音楽活動におけるヘッドフォン）を提案し、Yes/No 質問を生成。
     2. 複数の VLM（Vision-Language Model）で画像を分析し、多数決で時代錯誤の有無を判定。
   • 指標: 発生頻度（Frequency）と深刻度（Severity）。
3. 人口統計的表現（Demographic Representation）:
   • 生成された画像の人種・性別分布を、LLM が推定する「歴史的に妥当な分布」と比較。
   • 手法: FairFace クラスификаторで画像の属性を抽出し、GPT-4o などの LLM で推定した歴史的ベースラインとの乖離（過剰/過少表現）を測定。

3. 主要な結果

様式バイアス（Stylistic Bias）

• モデルは時代ごとの視覚的ステレオタイプに強く依存していました。
  • 17〜18 世紀: SDXL は「版画」を、SD3 と FLUX.1 は「絵画」を支配的に生成。
  • 20 世紀初頭（1910-1950 年代）: 全モデルで「モノクロ写真」が支配的。
  • 現代: FLUX.1 と SD3 は「写真」へ、SDXL は「イラスト」へ移行。
• プロンプトエンジニアリング（「写実的に」「モノクロを避けて」等）による緩和は限定的であり、モデルの学習された様式バイアスは容易には覆せないことが示されました。

時代錯誤（Anachronisms）

• モデルは歴史的整合性を維持できておらず、現代の物体が過去の文脈に頻繁に混入していました。
• SD3が最も時代錯誤が多く、19 世紀の画像の 20%、1930 年代の 25% に何らかの時代錯誤が含まれていました。
• 深刻度が高い例: 「オーディオ機器」や「アイロン道具」など、概念（音楽を聴く、洗濯する）に引きずられて、時代錯誤な物体が生成される傾向が強く見られました。これは、モデルが歴史的文脈よりもプロンプトの概念的キューに依存していることを示唆しています。

人口統計的表現

• 生成された画像は、LLM 推定の歴史的妥当な分布から大きく乖離していました。
• ジェンダー: 「料理」や「教育」などの分野において、モデルは現代の平等な感覚や、あるいは逆に過去の固定観念に基づき、特定の性別を過剰または過少に表現していました（例：17-18 世紀の教育分野で女性を過剰表現）。
• 人種: 全モデルで「白人」の過剰表現が顕著でしたが、21 世紀になると LLM 推定値に近づく傾向がありました。一方で、特定の分野（宗教、農業）では非白人の表現が急増するなど、訓練データとの相関が強く、歴史的根拠に基づかない分布を示すケースがありました。

4. 貢献と意義

1. 初の体系的評価: 拡散モデルの「歴史的表現」を、様式、整合性、人口統計の 3 次元から体系的に評価した最初の研究です。
2. 再現可能なベンチマークの提供: 3 万枚のデータセットと評価プロトコルを公開し、今後の歴史的バイアス研究の基盤を提供しました。
3. バイアスの多面的理解: 単なる事実誤認だけでなく、「過去の見た目はこうあるべき」という暗黙の視覚的定型や、時代を超えた概念の混同が、どのように歴史的歪みを生んでいるかを明らかにしました。
4. 教育的・文化的意義: 教育や文化遺産の文脈において、AI 生成画像の信頼性が損なわれている可能性を指摘し、より正確で感受性のある歴史的表現を持つモデル開発の必要性を訴えました。

5. 結論と今後の課題

現在の TTI モデルは、歴史的な文脈を深く理解しているのではなく、訓練データに埋め込まれた狭くステレオタイプな視覚的キューに依存して過去を再構築していることが判明しました。歴史的正確性と多様性のバランスを取ることは依然として課題であり、今後はより豊かな歴史的知識と学際的な専門性を統合したモデル開発が求められます。

本研究は、生成 AI による「合成された歴史（Synthetic History）」が、いかにして集合的記憶を歪める可能性を持っているかを警告し、その評価と改善への第一歩を踏み出した点に大きな意義があります。