数万枚のイラストからAIで理想の絵柄を探す画像検索エンジン開発記
本記事は、趣味で数万枚規模に膨れ上がったイラストコレクションから、特定の特徴を持つ画像を効率的に抽出するための画像検索エンジンの開発過程を詳細に記録したものです。筆者は、単なるストレージの問題ではなく、「見返したい」というニーズから、AIを活用した高度な検索システム構築を目指しました。
初期段階で試行された「テキストと画像の直接比較（CLIPモデル使用）」では、日本語の壁やマルチモーダルな情報量の問題により、類似度スコアが30%程度に留まるなど、実用的な結果を得られませんでした。この課題を受け、筆者は画像の特徴をタグ付けによってテキスト化する手法（WD14 Tagger採用）を採用しました。これにより「マルチモーダルの壁」が解消され、類似度スコアは最大95%以上に向上し、非常に高い精度を達成しました。
次に、「絵柄検索」（スタイル抽出）に焦点を移した際も課題に直面しましたが、最終的に画像スタイル転送の原理である「グラム行列」と、メモリ効率化のための「AdaIN」を用いたアプローチが有効であることが判明しました。これにより、コンテンツ（描かれているもの）とスタイル（絵柄）を分離して抽出することが可能となりました。
結論として、筆者は「タグ付けによる局所的特徴の抽出」と「AdaINを用いたスタイル抽出」の組み合わせを最終的な最適解と位置づけています。今後は、タガーモデルが持つ語彙力の限界、特に色の表現（例：黒に近い茶髪）に対応するため、RGB指定以上の高度な色語彙力拡張アプローチに取り組む予定であるとして、今後の改善点を示しています。
背景
本記事は、AI画像生成やデジタルアートの普及に伴い、個人が保有するイラストコレクション（数万枚規模）が肥大化し、その中から特定の要素を持つ画像を効率的に検索するという実用的な課題意識から始まっています。従来の汎用な画像検索技術では対応が難しく、より専門的かつ高精度なAIモデルの適用が必要とされた経緯があります。
重要用語解説
- CLIPモデル: OpenAIなどが開発した多機能な埋め込みモデル。テキストと画像を共通のベクトル空間にマッピングし、類似度を測るのに使われる汎用的な手法ですが、日本語や局所的特徴の抽出には限界があることが指摘されています。
- マルチモーダル: 異なる種類のデータ（例：テキストと画像）を同時に処理し、相互に関連付けて理解する能力のこと。本記事では、テキスト検索ワードと画像を直接比較することの難しさという文脈で用いられています。
- AdaIN: Adaptive Instance Normalizationの略称。スタイル転送などで使用される技術の一つで、特徴マップの平均値や標準偏差のみを抽出することで、計算量を大幅に削減し、絵柄（スタイル）の抽出を現実的に可能にしました。
今後の影響
本開発記は、趣味的なコレクション管理を超え、プロレベルの画像データベース検索システム構築への応用可能性を示唆しています。特に「タグ付けによる局所的特徴抽出」と「AdaINを用いたスタイル分離」というハイブリッドなアプローチは、今後のAIアート関連サービスやデジタルアーカイブの検索精度を飛躍的に向上させる技術的な指針となることが期待されます。