オープンソース素材で再現する
日本画質感【2026年最新版】

「AI生成画像に日本画の質感を出したいけど、著作権が心配…」

実は、完全合法のオープンソース素材だけで、金箔・螺鈿・岩絵の具といった日本伝統の質感を高精度に再現できます。

私は高校で日本画を学び、公立芸術大学で芸術学を専攻。イギリスの大学院で博物館学修士(Merit)を取得しました。現在はAI画像生成エンジニアとして、数百回のLoRA学習を重ね、オープンソース素材から日本画質感を再現する手法を確立しました。

この記事では、メトロポリタン美術館やスミソニアンなどのCC0ライセンス素材を活用し、商用利用可能な日本画風LoRAを作る考え方をお伝えします。

1. なぜオープンソース素材で高品質なLoRAが作れるのか

質感は「量」より「質」で学習される

LoRA学習において、多くの初心者が誤解しているのが「データセット枚数が多いほど良い」という考え方です。実際には、20〜50枚程度の高品質な素材があれば、十分に質感を再現できます。重要なのは、質感の本質を捉えた素材を選ぶことです。

世界の美術館が素材を公開している理由

近年、世界中の美術館がオープンアクセス政策を推進しています。その背景には、文化遺産のデジタル保存、研究・教育への貢献、そして芸術の民主化があります。たとえばメトロポリタン美術館は約49万点の作品をCC0ライセンス（著作権放棄）で公開しており、商用利用・改変・再配布が完全に自由です。

博物館学修士課程での学び

イギリスの大学院で博物館学を学んでいた頃、螺鈿作品のデジタルアーカイブプロジェクトに参画しました。対象は17世紀日本の螺鈿細工で、多角度撮影と3Dモデル化を行いました。

このとき学んだのが、質感の本質は微細な光学特性にあるという点です。螺鈿の虹色反射は、貝殻の真珠層が光を干渉させることで生まれます。単なる「色」ではなく「光の振る舞い」そのものを記録する必要がありました。この経験が、後のLoRA学習で「質感＝光学特性のパターン」として学習させる手法につながりました。

2. 合法的な素材の集め方【5つのソース】

2-1. メトロポリタン美術館（The Met）

URL: metmuseum.org/art/collection

約49万点がCC0ライセンス。高解像度TIFF画像がダウンロード可能で、日本美術コレクション（屏風、浮世絵、蒔絵など）が充実しています。

検索のコツは「Public Domain」にチェックを入れ、「Japanese Art」でフィルターすること。質感別キーワードとしては、金箔なら "gold leaf" や "gilding"、螺鈿なら "mother-of-pearl" や "nacre"、岩絵の具なら "mineral pigment" が有効です。

2-2. スミソニアン博物館（Smithsonian）

URL: si.edu/openaccess

約300万点のオープンアクセス。3DモデルやX線画像も公開されています。「Freer Gallery of Art」（日本美術専門）で絞り込むと、工芸品コレクションが豊富に見つかります。

2-3. Wikimedia Commons

URL: commons.wikimedia.org

1億点以上のメディアファイル。ライセンス表示が明確です。ただし、ライセンスを必ず確認してください。CC BYの場合はクレジット表記が必要です。「Public Domain」タグの画像を優先しましょう。

2-4. Library of Congress（米国議会図書館）

URL: loc.gov

歴史的資料が豊富で、高解像度スキャン画像が入手可能。浮世絵コレクションが特に充実しています。

2-5. 国立国会図書館デジタルコレクション

URL: dl.ndl.go.jp

日本の文化財・古典籍。著作権保護期間満了資料は自由利用可能です。「インターネット公開」マークのある資料のみ自由利用できる点に注意してください。

3. 日本画の質感を理解する【美術史の知識】

「マチエル」の本質

高校で日本画を学んでいた頃、岩絵の具の実習がありました。天然鉱物（孔雀石、藍銅鉱、辰砂）を乳鉢で砕き、粒子の大きさで色の濃淡をコントロールし、膠（にかわ）と混ぜて和紙に塗る。公立芸大で芸術学を専攻した後も、この質感への関心が研究の軸になっています。

最も印象的だったのは、岩絵の具を塗った瞬間の「重み」でした。油絵具やアクリル絵具と違い、岩絵の具は粒子が大きいため、キャンバスに塗ると物理的な凹凸ができます。この凹凸が光の当たり方で影を作り、マチエル（質感）を生み出します。

日本画の美しさは、色ではなく質感にある。光と影が作る立体感こそが、岩絵の具の本質です。この経験が、AI画像生成で「質感」を重視するようになった原点です。

金箔の光学特性

金箔は純金を1万分の1〜2ミリという薄さまで叩き伸ばしたものです。光学的には、表面の微細な凹凸が光を散乱させる乱反射、完全な均一ではなく粒子の集合体として見える粒子感、時間経過で酸化し落ち着いた色味になる経年変化の3つが特徴です。LoRA学習では、この「乱反射」と「粒子感」を重点的に学習させることが鍵になります。

螺鈿の構造色

螺鈿は、貝殻の真珠層を使った装飾技法です。真珠層は約0.5μmの炭酸カルシウム層が何層も重なる構造で、光が層の間で干渉し、見る角度によって青→緑→ピンクと色が変化します。デジタルの「虹色グラデーション」とは根本的に異なり、物理法則に基づく色の変化です。

4. データセット作成の考え方

画像収集の基本方針

データセット作成で重要なのは、以下の3つの基準です。

• 質感が明確: 粒子感や反射がはっきり見えるもの
• 光源が明瞭: 光の乱反射が確認できるもの
• 解像度1024px以上: SDXL学習に十分な画質

ファイル名に通し番号とソース名を入れることで、後からの検証やライセンス管理が容易になります。

画像の前処理

収集した画像はSDXL用に1024×1024px（SD 1.5用なら512×512px）にリサイズします。PythonのPillowライブラリやXnConvertなどのGUIツールで一括処理が可能です。

タグ付けのポイント

自動タグ付け（WD14 Tagger等）で70%程度はカバーできますが、質感特有の表現（粒子感、反射、経年変化など）は手動での追加が必要です。タグの粒度と数のバランスが品質を左右します。

5. LoRA学習のポイント

学習環境の準備

推奨環境は、RTX 4090（VRAM 24GB）またはA100（VRAM 40GB）のGPU。クラウドGPUならRunpodが1時間約$0.5〜0.8でコスパに優れています。ツールはStable Diffusion WebUIとkohya_ss（LoRA学習用）を使用します。

学習の方向性

数百回の試行錯誤から得た知見をいくつか共有します。

• ベースモデル: SDXL系を推奨（質感の解像度が段違い）
• データセット: 20〜50枚の高品質画像で十分
• 学習時間: RTX 4090で1時間以内に収まる設定が可能

重要なのは、エポック数・学習率・Network Dimのバランスです。これらの最適値は質感の種類ごとに異なります。

失敗から学んだ教訓

初期の学習では、エポック数を多く設定しすぎてオーバーフィッティングを起こしたり、学習率が高すぎて質感が過剰に強調されたりと、多くの失敗を経験しました。パラメータ設定の知識があるかどうかで、学習の成功率とコストが大きく変わります。

6. 商用利用時の注意点とライセンス管理

オープンソース素材のライセンス種類

ライセンス管理シートの重要性

商用利用時は、使用素材のリストを必ず作成してください。ファイル名、ソース元、作品名、ライセンス種類、URLを記録しておくことで、クライアントへの説明もトラブル時の証明も容易になります。

実際の商用案件でも、このライセンス管理シートがクライアントの安心材料となり、受注につながった経験があります。

7. まとめ

この記事で学んだこと

• オープンソース素材だけで高品質なLoRAが作れる
• 質感の本質は「光学特性」にある（乱反射、構造色、マチエル）
• CC0ライセンスなら商用利用も完全合法

初心者の方はまず、メトロポリタン美術館から20枚の画像を集めて、簡単なLoRA学習を試してみてください。中級者の方は複数の質感の組み合わせに、上級者の方は商用案件への応用に挑戦してみましょう。