解説ねえ、智也くん！『誘導と伝…
解説
ねえねえ、智也くん！これ、『CRAFT: Continuous Reasoning and Agentic Feedback Tuning for Multimodal Text-to-Image Generation』って論文、すごく面白そうなタイトル！何がすごいの？
ああ、この論文か。簡単に言うと、AIが文章から画像を作る時に、もっと正確に、しかも効率的に作れるようにする新しい仕組みについてだよ。
文章から画像を作るAIって、最近すごく流行ってるよね！でも、時々変な画像ができたり、文章の内容を全部反映できてなかったりする気がする。
その通り。今の多くのモデルは、プロンプトと呼ばれる指示文を一度与えて、一発で画像を生成する「単発生成」が主流なんだ。でも、文章が長くなったり、『赤い猫がテーブルの上にいて、その隣に「OPEN」と書かれた看板がある』みたいに、複数の条件が組み合わさると、全部を正確に反映するのは難しい。
うんうん。確かに、猫はいるけど赤くなかったり、看板の文字がぐちゃぐちゃだったりするかも。で、このCRAFTはそれをどうやって解決するの？
CRAFTのアイデアは、人間が描き直す時のプロセスに似ている。まず、プロンプトを『猫はいるか？』『猫は赤いか？』『テーブルはあるか？』『看板はあるか？』『看板に「OPEN」と書いてあるか？』みたいな、Yes/Noで答えられる具体的な質問の集まりに分解するんだ。これをDVQ（Deterministic Visual Questions）って呼んでいる。
なるほど！で、その質問リストを使って、どうするの？
まず普通に画像を生成する。次に、別のAI（視覚言語モデル）にその画像と質問リストを見せて、一つ一つ答えてもらう。全部Yesなら合格。もし『猫は赤いか？』がNoだったら、その理由も聞く。
あ、不合格の部分だけ直せばいいんだ！
そう。そこでLLMエージェントが、最初のプロンプトと、失敗した質問とその理由を見て、『猫の色をより強調するように』プロンプトをピンポイントで修正する。そして修正したプロンプトで画像を生成し直す。これを、全部Yesになるか、決めた回数まで繰り返す。
すごい！まるでAIが自分で自分の作品をチェックして、描き直してるみたい。で、実際に効果はあったの？
あった。FLUXやQwen-Imageといった複数の画像生成モデルで実験した結果、このCRAFTを適用すると、プロンプトと画像の一致度を測るVQAスコアやDSGスコアが、全てのモデルで向上した。特に面白いのは、もともと性能が高くない軽量なモデルでも、この仕組みを使うことで、とても高価で高性能なモデルに匹敵する品質を出せるようになったことだ。追加のコストは画像生成そのものに比べてほんの少しですむ。
え、それってすごくない？小さいモデルが大モデルに追いつく可能性があるんだ！
そう。この論文の意義は、単に性能が上がったというだけでなく、『推論時に構造化された思考（質問→検証→修正）を追加する』というアプローチが、マルチモーダル生成の信頼性を高める有効な方法だということを示した点にある。学習なしで、既存のモデルに後付けできるのも大きい。
未来の応用ってどんなことが考えられる？
デザイン支援ツールで、クライアントの細かい要望を確実に反映した画像を何度も自動生成したり、教育コンテンツ作成で、間違いのない正確な図を素早く作ったり。あとは、画像編集にも応用できるから、既存の画像の一部を指示通りに確実に修正するのにも使える。
わくわくするね！でも、何か課題とか限界はあるの？
もちろんある。まず、質問リストを作るAIや、画像を検証するAI自体が間違う可能性は残る。あと、『美しい』とか『かっこいい』みたいな主観的な要素を質問に落とし込むのは難しい。今後の研究としては、もっと複雑な質問の依存関係を扱ったり、検証AI自体の精度を上げたり、このループを完全に自動化するのではなく、人間が途中で介入できるようにする方向性があると思う。
ふーん、AI同士が助け合って、より賢く正確な作品を作り上げていく感じなんだね。これが進んだら、私が『イケメンで優しい王子様が、竜と戦ってるファンタジー絵を』ってお願いしたら、完璧なのが一発でできるようになるかも！
…『イケメン』と『優しい』をどうやってYes/No質問にするか、という根本的な課題が残ってるけどな。とりあえず、今の技術の進歩を理解するには十分な会話だったと思うよ。
要点
既存のテキストから画像生成（T2I）モデルは、複雑なプロンプト（指示文）を一度で正確に生成するのが難しい問題がある。
CRAFTは、学習不要でモデルに依存しないフレームワークで、推論時に構造化された「推論」と「修正」のループを追加する。
プロンプトを視覚的な質問（例：「猫はいるか？」「猫は赤いか？」）に分解し、生成された画像を視覚言語モデル（VLM）で検証する。
検証で失敗した箇所だけを、LLMエージェントがプロンプトを修正し、再度生成する。これを全ての条件が満たされるか、最大回数まで繰り返す。
軽量な生成モデルでも、この手法により、より高価で大規模なモデルに近い品質を、わずかな追加コストで実現できる。
評価実験では、複数のモデルとデータセットで、構成的正確性、テキストレンダリング、選好評価の全てで一貫した改善が確認された。