CFG Guidance Scale Stable Diffusion: プロンプトとアーティファクトの制御

2026年5月現在、CFGガイダンススケールはStable Diffusionのような拡散モデルを操作する最も直接的な方法のひとつです。出力がテキストプロンプトにどれだけ忠実に従うか、それとも独自のアイデアに走るかを決めます。1〜3程度の低い値ではモデルに余裕を持たせ、肌の質感が柔らかくなり、ポーズが自然になり、ライティングが予想外ながらも魅力的な方向に流れます。スケールを上げると、エロティックなプロンプト内のすべてのディテール——ヒップの曲線や手の正確な角度——がよりタイトに固定されます。正直に言うと、親密なシーンの調整に必要以上に時間を費やしたこともあります。トレードオフはすぐに現れます。低すぎると説明の半分が無視され、高すぎると色がオーバーサチュレートしたり、プロポーションが歪んだりします。

仕組みは学習中に始まります。モデルはプロンプトありとなしでノイズを予測することを、ランダムに条件付けをドロップすることで学びます。サンプリング時には、2つの予測を単純な線形外挿で組み合わせます。最終予測＝無条件＋スケール×（条件付き−無条件）という式です。スケールが1の場合、プロンプト項は完全に消え、純粋な無条件生成になります。上げるとプロンプトの影響が指数関数的に強まります。ほとんどのアナリストはこの部分を飛ばします。しかしこの外挿を理解すれば、スライダーの小さな変更が解剖学的精度やライティングの一貫性に大きな変化をもたらす理由がわかります。

リアルなNSFW作品では、通常4〜6の間で最適なバランスが取れます。身体のプロポーションが保たれ、肌に自然なサブサーフェススキャタリングが現れ、ポーズが求められた親密さを保ちつつ硬くなりすぎません。10を超えるとモデルはプロンプトのすべての形容詞に従いますが、ハイライトが飛び、時には四肢が不自然に伸びて幻想が崩れます。クローズアップ構図が最初に影響を受けます。CFGガイダンスの仕組みを理解することが、まさに次世代のImage-to-Videoツールが超リアルでプロンプト忠実なアダルトシーンを、ライティング・解剖学・モーションをコントロールしながら生成できる理由です。CFGガイダンススケール：アダルトAI拡散における精密制御では、モーションが加わった後の同じ原理についてさらに詳しく解説しています。

SD 1.5は依然として7〜12を好み、シャープな結果が得られますが、最新のスケジューラを使えば数ポイント下げても忠実度を保てます。SDXLは5〜8が快適です。FluxやSD 3.5は学習段階で強いプロンプト adherence が組み込まれているため、3〜5の低めが最適です。CFG値が高いとサンプリングステップ数とも連動します。20ステップではスケール8でもきれいに見えますが、50ステップでは同じ値でもオーバーシャープを避けるために下げた方が良いことが多いです。ビデオパイプラインではフレームごとに一貫性を保つ必要があるため、これらの違いがさらに増幅されます。データは数十回のテストレンダーで裏付けられています。