LoRA（Low-Rank Adaptation）を作成するとき、学習に使う画像サイズをすべて1024×1024に統一するべきなのか、1024×1536のような縦長画像を混ぜても問題ないのか悩む方は多くいます。実際には使用する学習環境やモデル、設定によって適切な方法は変わります。この記事では、LoRA学習における画像サイズの考え方や、異なるアスペクト比の画像を混在させる場合のポイントについて解説します。
LoRA学習画像は必ず1024×1024である必要はない
LoRA作成に使用する画像は、必ずしもすべて1024×1024の正方形である必要はありません。
特にStable Diffusion系のモデルでは、学習時に画像を一定の解像度へリサイズしたり、複数の解像度（バケット）に分類したりする仕組みがあります。そのため、1024×1024だけでなく1024×1536や768×1024などの画像を利用することも可能です。
ただし、画像サイズを自由に混ぜれば必ず良い結果になるわけではありません。LoRAの学習設定や使用する学習ツールによって、画像サイズの扱いが変わります。
異なるサイズの画像を混ぜる場合はアスペクト比が重要
LoRA学習では、単純なピクセル数よりも画像の縦横比（アスペクト比）が重要になります。
例えば、1024×1024の正方形画像と1024×1536の縦長画像を混ぜた場合、人物の全身画像や背景を含む構図など、異なる情報を学習できます。
一方で、学習時にすべての画像が無理やり1024×1024へ引き伸ばされる設定になっている場合、縦長画像の被写体が潰れたり、不要な切り抜きが発生したりする可能性があります。
そのため、異なるサイズを使用する場合は、画像の比率を維持したまま学習できる設定にすることが重要です。
Bucket機能を使えば複数サイズの画像を活用しやすい
LoRA学習でよく利用される学習環境では、Bucket（バケット）機能によって異なるアスペクト比の画像を効率的に扱えます。
Bucketとは、画像を似た縦横比ごとのグループに分け、それぞれ適したサイズで学習する仕組みです。
例えば、以下のような画像を混在させることができます。
・1024×1024の正方形画像
・1024×1536の縦長画像
・1536×1024の横長画像
Bucket機能が有効であれば、それぞれの画像が近い比率の学習サイズへ割り当てられるため、無理な変形を避けながら学習できます。
画像サイズを混ぜるメリットとデメリット
異なる解像度や比率の画像を混ぜるメリットは、モデルにより多様な構図を覚えさせられることです。
例えばキャラクターLoRAを作成する場合、顔アップだけでなく全身画像や横向き、斜め向きの画像を含めることで、生成時の表現力が向上する場合があります。
一方で、画像サイズや品質に大きな差がある場合、学習が不安定になることがあります。
例として、1024×1536の高品質画像と、低解像度でぼやけた画像を混ぜると、低品質画像の影響で細部の再現性が落ちる可能性があります。
LoRA学習でおすすめされる画像サイズの考え方
安定したLoRAを作りたい場合は、使用するベースモデルが推奨する解像度を基準にするとよいです。
例えば1024px世代のモデルを使用する場合、長辺が1024程度になる画像を中心に用意すると扱いやすくなります。
重要なのは、すべての画像を同じサイズにすることよりも、以下の点を揃えることです。
・被写体が十分な大きさで写っている
・画像品質が一定以上である
・不要な加工やノイズが少ない
・アスペクト比の偏りが極端ではない
特にキャラクターや人物を学習する場合、解像度よりも「学習したい特徴が明確に写っているか」のほうが結果に大きく影響します。
まとめ
LoRA作成では、必ず1024×1024の画像だけを使う必要はありません。1024×1536など異なるサイズの画像を混ぜても、適切な学習設定を行えば問題なく利用できます。
ただし、画像サイズを混在させる場合は、Bucket機能などでアスペクト比を考慮できる環境を使うことが重要です。
最終的なLoRAの品質を左右するのは、画像サイズの統一だけではなく、学習目的に合った画像選びや画像品質、適切な学習設定です。目的に合わせて解像度や比率を調整することで、より再現性の高いLoRAを作成できます。
コメント