SCHEMA for Gemini 3 Pro Image: A Structured Methodology for Controlled AI Image Generation on Google's Native Multimodal Model

本論文は、Google の Gemini 3 Pro Image 向けに開発された、850 件の検証済み予測と 6 つの専門分野にわたる実証データに基づき、構造化されたコンポーネントと段階的な制御システムを通じて、生成画像の遵守率と一貫性を大幅に向上させる「SCHEMA」というプロンプトエンジニアリング手法を提案するものである。

要約

この論文は、AI が画像を作るのを「魔法」ではなく「工学的な仕事」に変えるための、新しい**「レシピ本（SCHEMA）」**の紹介です。

著者のルカ・カッツァニガさんは、Google の最新 AI「Gemini 3 Pro Image（通称：ナノ・バナナ・プロ）」を使って、不動産や広告、新聞の図解など、プロの現場で使えるレベルの画像を数千枚作りました。そして、その経験から**「どうすれば AI が思い通りの絵を描いてくれるか」**という、誰でも使えるルールを見つけたのです。

これをわかりやすく、3 つの大きなポイントで説明します。

---

1. 「おまかせ」から「指揮者」へ：3 つのレベル

この方法は、AI への指示の出し方を 3 つの段階に分けています。

• レベル 1：おまかせモード（BASE）
  • イメージ： 料理の味見をするようなもの。
  • 内容： 「美味しいパスタを作って」とだけ言います。AI が「えっ、どんなパスタ？」「どんな味？」と勝手に想像して描きます。これは、AI がどんな癖を持っているかを知るための「実験」です。
• レベル 2：方向指示モード（MEDIO）
  • イメージ： 料理長が「トマトベースで、バジルを多めに」と指示する状態。
  • 内容： 「どんな料理か（主題）」「どんな雰囲気か（スタイル）」「光はどうするか」を 7 つの項目に分けて指示します。これで、プロのクライアントに渡せるレベルの絵が作れるようになります。
• レベル 3：完璧な注文モード（AVANZATO）
  • イメージ： 高級レストランで「フォークは左、ナイフは右、ナプキンは青、温度は 3000 ケルビン（暖色系）」と、ミリ単位まで指定する状態。
  • 内容： 「美しい」ではなく「青い色は#0000FF」「光は 3000 ケルビン」と、数字や具体的なルールで厳密に指示します。これにより、AI の「勘違い」や「ハズレ」をほぼゼロに抑え、10 回描かせても 10 回とも同じような高品質な絵が生まれます。

2. 「やってほしいこと」より「やってほしくないこと」の方が得意

これがこの論文の最大の発見です。

• 従来の常識： 「もっと鮮明に描いて」「文字を正しく書いて」と、**「やってほしいこと（肯定）」**を詳しく説明すればするほど良いはずだ。
• SCHEMA の発見： 実際には、**「やってほしくないこと（否定）」**を指示する方が、AI は驚くほど正確に守ります。
  • 例： 「文字を正しく書いて」よりも**「文字のスペルミスは絶対にしないこと」**と指示する方が、AI は「あ、ミスしちゃダメなんだ」と理解しやすくなります。
  • アナロジー： 子供に「走ってはいけない」と言う方が、「ゆっくり歩いて」と言うよりも、子供が「走らない」というルールを明確に守れるのと同じです。AI も「禁止事項（NO 〇〇）」というルールの方が、頭の中で処理しやすいのです。

3. 「リトライ」は NG！一度で完璧を目指す

多くの人は、AI が描いた絵が気に入らなければ、「ちょっと直して」と言って修正を繰り返します。しかし、この論文は**「それはダメ！」**と言っています。

• 問題点： AI が描いた絵を元に修正を繰り返すと、**「画像が劣化していく」**現象が起きます。
  • アナロジー： 写真の写し写しを何回も繰り返すと、だんだんボヤけて汚くなるのと同じです。AI も、自分の描いた絵を「参考画像」として使うと、少しずつ「勘違い」が積み重なって、3 回目くらいにはボロボロになってしまいます。
• 解決策： 気に入らない場合は、**「最初からやり直す」**のが正解です。指示書（レシピ）を修正して、AI に「ゼロから描き直して」と言います。これがプロの現場での鉄則です。

---

この方法がすごい理由：なぜ「図解」も描けるの？

この方法を使えば、AI は単に「綺麗な絵」を描くだけでなく、**「文字が正しい図解（インフォグラフィック）」**も作れるようになります。

• 例： 「ここに『AI の未来』という文字を左上に配置し、右下にはグラフを描いて」と指示すると、AI はそのルールを厳密に守って描きます。
• 結果： 約 300 枚の図解を作った実験では、95% 以上が最初の一発で完璧に完成しました。これは、AI が「絵を描く人」から「設計図を描く職人」に進化できた証拠です。

まとめ

この論文は、AI 画像生成を「運試し」や「魔法」から、**「工学的な設計」**へと変えるための地図です。

• 指示は「禁止事項」を重視する。
• 一度で完璧を目指すために、指示を数字で厳密にする。
• 修正は「書き直し」で、リトライはしない。

これらを守ることで、誰でもプロ並みの AI 画像を生産できるようになる、という画期的なガイドラインです。

技術概要

SCHEMA for Gemini 3 Pro Image：技術的概要

本論文は、Google のネイティブマルチモーダルモデル「Gemini 3 Pro Image（業界内では Nano Banana Pro と呼ばれる）」向けに開発された、構造化された AI 画像生成プロンプトエンジニアリング手法「SCHEMA」を提案するものです。著者 Luca Cazzaniga は、6 ヶ月間にわたる実務環境での 850 件の API 検証予測と、約 4,800 枚の生成画像（不動産、製品、編集、ストーリーボード、広告、情報デザイン）の分析に基づき、この手法を確立しました。

以下に、論文の主要な構成要素を技術的に要約します。

1. 解決すべき課題 (Problem)

2026 年初頭時点で、生成 AI はアイデア創出の域を超え、不動産、広告、編集などの専門的な視覚制作の基盤技術となっています。しかし、以下の「運用上のギャップ」が存在しました。

• 信頼性と精度の欠如: 理論的な美的能力と、ブランドガイドラインや照明条件、素材の質感、構図の整合性など、実務で求められる「技術的に正確で一貫性のある出力」の間に大きな乖離がある。
• 既存手法の限界:
  • 汎用的なプロンプトガイドはモデル固有の挙動や失敗モードを考慮していない。
  • コミュニティベースのTips は断片的で体系的な検証がない。
  • 学術的な研究（Liu & Chilton など）はモデルに依存しない理論的枠組みに留まり、特定のモデルでの実用的な生産性向上には至っていない。
• テキスト生成フレームワークの不適切さ: CLEAR や COSTAR などのテキスト生成向けフレームワークは、画像生成の空間的・非線形的な性質（拡散モデルのバイアス）や、反復生成による劣化（Iterative Generative Drift）を考慮していないため、画像生成には不適切である。

2. 手法：SCHEMA フレームワーク (Methodology)

SCHEMA は、Gemini 3 Pro Image の挙動に基づき、以下の 5 つの設計原則と構造的要素で構成されます。

2.1 設計原則

1. 単一生成哲学 (Single-generation philosophy): 対話的な反復修正ではなく、最初のプロンプトで完結させることを目指す（反復生成による品質劣化を防ぐため）。
2. 漸進的制御スケーリング: 制御レベルを 3 つの段階（BASE, MEDIO, AVANZATO）に分類。
3. モジュール型ラベル構造: 7 つのコアラベルと 5 つのオプションラベルを組み合わせる。
4. 明示的な失敗ルーティング: モデルが不適切なタスク（例：ピクセル単位の幾何学制御、動画生成）の場合、代替ツールへ誘導する意思決定ツリー。
5. 検証可能な具体性: 主観的評価語を排除し、HEX コード、ケルビン温度、焦点距離など、客観的に検証可能な数値仕様で記述する。

2.2 3 段階の制御構造

• BASE (発見): モデルのデフォルト挙動やバイアスを特定するための診断ツール。
• MEDIO (方向付け): 7 つのコアラベル（Subject, Style, Lighting, Background, Composition, Mandatory, Prohibitions）を使用し、プロフェッショナルなドラフト作成。
• AVANZATO (納品): 最大限の具体性（数値指定）と、オプション機能（Thinking Mode, 参照画像、Grounding）を駆使し、バッチ生成の一貫性を確保する最終納品レベル。

2.3 意思決定ツリーと失敗ルーティング

モデルの限界を認め、特定のタスク（局所的なインペインティング、ピクセル単位の幾何学制御、3 回以上の反復生成）では、Adobe Firefly、Midjourney、Kling AI などの代替ツールへ自動的に誘導するルールを定義しています。

3. 主要な貢献と発見 (Key Contributions & Findings)

3.1 必須項目と禁止事項の非対称性 (Mandatory/Prohibitions Asymmetry)

• 発見: 「必須項目 (Mandatory: 〇〇を含ませる)」の遵守率は平均 91% であるのに対し、「禁止事項 (Prohibitions: 〇〇を含ませない)」の遵守率は 94% と、常に後者の方が高い。
• 解釈: 拡散モデルのアーキテクチャ（クラスターフリー拡散ガイダンス）において、負の制約（排除フィルタ）は、正の制約（複雑な制約付き生成）よりも計算的に処理しやすい。
• 原則: 「詳細な記述よりも制約の指定が有効」という「制約優先の原則 (Constraint-Over-Elaboration Principle)」が確立された。

3.2 バッチ一貫性の向上 (Batch Consistency)

• 実験: 構造化された SCHEMA AVANZATO プロンプトと、同等の情報量を持つ非構造化のナラティブプロンプトを比較。
• 結果: 非構造化プロンプトでは 10 枚中 3〜5 枚しか一貫性がなかったのに対し、SCHEMA では 7〜9 枚が大幅に一致した。
• 意義: 構造化されたラベル体系が、確率的な生成プロセスを「準決定論的（quasi-deterministic）」かつ産業化可能なプロセスへと変換することを示した。

3.3 反復生成ドリフト (Iterative Generative Drift)

• 現象: 生成された画像を参照画像として次世代に使用すると、モデルが画像を「コピー」せず「再解釈」するため、微細なエラーが累積し、品質が段階的に劣化する（3 世代目以降で実用不可になる傾向）。
• 対策: 反復修正ではなく、プロンプトを修正して最初から再生成する「単一生成哲学」の採用。

3.4 情報デザインにおける空間・タイポグラフィ制御

• 検証: 約 300 枚のインフォグラフィック（公開された編集記事）を対象に検証。
• 結果: 初回生成での遵守率が 95% 超。文字のスペル、配置、視覚的階層が極めて高い精度で制御された。
• 意義: 現在のテキスト生成 AI が最も苦手とする領域（テキストの正確性と空間配置）において、SCHEMA が実用的なレベルの制御を可能にすることを証明した。

4. 結果とデータ (Results)

• データセット: 6 つの専門分野（不動産、製品、編集、ストーリーボード、広告、情報デザイン）における 621 の構造化プロンプト、約 4,815 枚の生成画像（うち 850 枚は API ログで検証済み）。
• 遵守率:
  • 必須項目 (Mandatory): 91%
  • 禁止事項 (Prohibitions): 94%
  • 情報デザイン分野: 95% 超（初回生成）
• 独立検証: 40 名の参加者によるワークショップで、段階的な制御スケーリングとプロフェッショナルな出力品質が確認された。

5. 意義と結論 (Significance)

SCHEMA は、単なるプロンプトのテクニック集ではなく、実務に基づく研究（Practice-based Research）として確立されたエンジニアリング手法です。

• 学術的・実務的ギャップの埋め合わせ: 学術的な理論と、実務現場の厳格な要件（ブランド整合性、バッチ一貫性、テキスト制御）を橋渡しする最初のモデル固有の手法です。
• 新しいパラダイム: 「より多くの記述」ではなく「より厳格な制約」が生成 AI の制御において有効であるという逆説的な発見は、将来の生成 AI 開発やプロンプト設計の指針となります。
• 産業への適用: 情報デザイン分野での 95% 超の遵守率は、AI 生成画像がポストプロダクション（修正）なしで直接編集物として使用可能な段階に達したことを示唆しており、AI 支援視覚制作の成熟を象徴しています。

本論文は、特定のモデル（Gemini 3 Pro Image）に特化した知見を提供しつつ、構造化されたプロンプトエンジニアリングという新たな分野の確立に寄与するものです。