text-to-image vs. image-to-image：NSFW制作にはどちらを使うべきか
どちらも同じ拡散モデルの系統から出発していますが、解決する問題は異なります——そして間違った方を選ぶことが、思い描いていた通りの生成結果にならない最も一般的な原因です。text-to-imageは説明だけからシーンを丸ごと構築し、image-to-imageは既存の参照画像を出発点にそれを変更していきます。特にNSFW生成では、他の多くのカテゴリー以上に人体構造の正確さとポーズのコントロールが重要になるため、どちらを選ぶかは、プロンプトの言い回しよりも結果に大きく影響することがよくあります。
両方のワークフローを試すtext-to-image：完全なコントロール、参照画像は不要
被写体・ポーズ・シーン・照明を言葉で説明し、モデルはあなたの説明だけを頼りにノイズから画像を構築します。開始画像がなく、自由に探索したい場合——異なるキャラクター、異なるシーン、異なるスタイル——にはこれが正しいツールです。ただしこれは同時に、あなたが指定しなかったあらゆる要素をモデルが推測しなければならないことも意味し、そこが結果が意図からずれやすい部分です。
image-to-image：実際の参照画像による精度
参照画像を提供すると、モデルはそれをテキストで説明したものではなく、実際のピクセルデータをもとに処理します——ポーズや構図、特定キャラクターの見た目を保ちながら、その周りのスタイル・服装・シーンを変更します。これは特定のポーズが必要な場合や、一連の生成で同じ架空キャラクターの一貫性を保ちたい場合に最も重要になります。モデルは毎回あなたの説明をゼロから再構築するのではなく、実際の画像データに条件づけられているためです。
NSFWでこの選択が特に重要な理由
人体構造の正確さは、純粋にテキストで説明した推測が目に見える形で失敗しやすい分野のひとつです——text-to-imageではモデルが言葉だけからポーズと比率を推測しなければなりませんが、image-to-imageは推測に頼らず、参照画像からその構造を固定します。正確なポーズや一貫したキャラクターが重要な結果を求める場合、image-to-imageの方が通常少ない試行回数で到達できます。
モデルラインナップと各アプローチの対応関係
Uncutlyでは、SeedreamとQwen Imageはゼロからシーンを構築するための強力なtext-to-imageの既定選択肢であり、FLUX.1 Kontextはimage-to-image編集専用に作られています——既存画像の1点だけを変更し、顔を含む他のすべての要素は一貫させたまま保ちます。多くのテンプレートは両方のワークフローに対応しているため、まずテンプレートの検証済みプロンプト（text-to-image）から始め、後から参照画像に切り替えてキャラクターを固定する（image-to-image）ことができます。
FAQ
両方を組み合わせて、まずテキストで生成し、その後画像で精緻化することはできますか？
はい、それは一般的なワークフローです：まずtext-to-imageで初期結果を生成し、その結果を参照画像として再度取り込み、ポーズを固定したり細部を精緻化したりするためにimage-to-imageのパスをかけます。
image-to-imageの参照画像は実在人物の写真である必要がありますか？
いいえ——参照画像は、新しい架空のAI生成キャラクターのポーズ・構図・スタイルを導くために使われるものであり、実在の特定可能な人物の肖像を再現するためのものではありません。
どちらの方が使える結果を早く得られますか？
純粋な探索であればtext-to-imageの方が通常早いです。参照画像を用意する必要がないためです。求める正確なポーズや見た目がすでに分かっている場合は、image-to-imageの方が総試行回数が少なく済むことが多いです。
画像ではなく動画にはどちらを使うべきですか？
同じ論理がそのまま当てはまります：text-to-videoは説明だけから動きを構築し、image-to-videoはアップロードされた写真にアニメーションを付け、被写体とシーンはその開始画像に固定されたままになります。
人気の NSFW テンプレート
