参考画像・キャラ参照・Reference Pro は何が違うのか — 「欄が出てこない」には理由がある
目次（8 項目）
PixAI で画像を参考にして生成しようとすると、最初にぶつかるのは使い方ではありません。欄が見つからないことです。
原因のひとつは、モデルの選び方にあります。
フラッグシップを選ぶと、参照が使えなくなります
公式ドキュメントは、Tsubaki.2 が参考画像に非対応だと表で明示しています。そしてその同じページが、Tsubaki.2 を「フラッグシップモデル」と呼んでいます。
つまり公式がいちばん上に置いているモデルを選ぶと、参照の欄が消えます。 良いものを選んだのに機能が減るので、設定を探しても出てきません。
参考画像を使いたいなら、SDXL 系（Haruka v2 など）を選んでください（モデル選びの記事）。あるいは、あとで説明する Reference Pro です。
画像を渡す方法が、複数あります
PixAI には画像を渡す入口がいくつもあり、名前も置き場所もそろっていません。
| 名前 | どこにあるか | 何をするか |
|---|---|---|
| img2img | 編集ツールの3モードのひとつ | マスクなしで画像全体を参照して新しく生成する。Strength で変化量を決める |
| マスク／ブラシ | 同じく編集ツール | 塗った範囲だけ描き直す（破綻の直し方） |
| 参照 | 生成画面のツールバー | モバイル版のツールバーに「参照」という項目がある |
| Reference Pro | モデルの一覧（機能ではなくモデル） | 画像を最大10枚渡して、自然言語で編集を指示する |
| LoRA | LoRA の一覧 | 画像から学習させる（キャラ固定の記事） |
ここに落とし穴が2つあります。
- Reference Pro は機能ではなくモデルです。 ツールを探しても出てきません。モデルの一覧から選びます
- 公式ドキュメントに「キャラ参照」という項目の説明がありません。 生成画面のツールバーには「参照」があり、編集ツールには img2img があり、モデルには Reference Pro がある。呼び名が場所ごとに違います
そもそも、画像で何を渡しているのか
ここを押さえると、名前の違いに振り回されずに済みます。画像を渡す方式には、渡しているものが違う3つの型があります。
型1: 出発点として渡す（img2img）
拡散モデルはノイズから出発して絵にします（ステップ数の記事）。img2img は、そのノイズの代わりに元画像を置きます。
途中から描き始めるので、元の構図も色も明るさも引きずります。Strength は「どこから描き始めるか」にあたり、強くするほど元画像から離れます。
全部が少しずつ移ります。 構図だけ借りたい、色だけ借りたい、という指定はできません。
型2: 空間の指示として渡す（ControlNet 系）
ControlNet の論文は、目的をこう書いています。
We present ControlNet, a neural network architecture to add spatial conditioning controls to large, pretrained text-to-image diffusion models.
空間的な条件づけです。輪郭・深度・人体のポーズといった「どこに何があるか」を別経路で渡します。仕組みも独特で、
ControlNet locks the production-ready large diffusion models
元のモデルは固定したまま、その複製を条件用に学習させる。壊さずに足す設計です。
この型が渡すのは位置であって、色や絵柄ではありません。ポーズだけを借りたいときはこれになります。
PixAI には ControlNet があります
⚠️ 公式ドキュメントに記述がありませんが、生成画面には ControlNet の項目があります（2026年9月6日にアプリで確認）。Method として4つ選べます。
| Method | 何を抜き出すか |
|---|---|
| OpenPose（棒人形） | 人体の関節の位置 |
| OpenPose Full（棒人形） | 関節に加えて、手と顔の細かい点 |
| Canny（線画抽出） | 輪郭線 |
| Depth（深度情報付き） | 手前と奥の距離 |
ポーズだけを借りるなら OpenPose、構図と輪郭ごと借りるなら Canny、奥行きを保ちたいなら Depth という使い分けになります。手の形まで指定したいときは OpenPose Full です。
⚠️ クレジット消費と、どのモデルで使えるかは確かめていません。 ツールを有効にすると消費が増えるとは公式が書いています（クレジットの記事）。
型3: 見た目の特徴として渡す（IP-Adapter 系）
IP-Adapter の論文は、問題設定からして正直です。
it is very tricky to generate desired images using only text prompt as it often involves complex prompt engineering.
言葉だけで狙った絵を出すのは無理がある、と言い切っています。そこで画像を渡すのですが、渡し方に工夫があります。
separates cross-attention layers for text features and image features
言葉の経路と画像の経路を分ける。 混ぜないので、テキストの指示を殺さずに「見た目」だけを足せます。しかも軽い。
an IP-Adapter with only 22M parameters can achieve comparable or even better performance
そして、この型には実務上ありがたい性質があります。
can be generalized not only to other custom models fine-tuned from the same base model, but also to controllable generation using existing controllable tools
同じベースから派生したモデルなら使い回せて、ControlNet のような道具とも併用できる。
この型が渡すのは絵柄やキャラの雰囲気で、構図ではありません。
上の3つは、どれも日本語にすると「参考画像」です。ところが渡しているものが違います。
- 型1は絵そのもの（全部が少しずつ移る）
- 型2は位置（ポーズは移るが、絵柄は移らない）
- 型3は雰囲気（絵柄は移るが、ポーズは移らない）
「参考画像を入れたのに似ない」「似すぎて別の絵にならない」という食い違いは、たいていここです。似せたい部分と、この型が運ぶ部分がずれている。
⚠️ なお PixAI が内部でどう実装しているかは公開されていません。型2にあたる ControlNet は画面に項目があるので存在が確認できますが、img2img や Reference Pro の中身までは分かりません。上は「画像を渡す」という行為に何種類あるかの整理であって、PixAI の実装の説明ではありません。
⚠️ そして型3にあたる項目は、PixAI で見つかりません。 公式ドキュメントにもモデル一覧にも、IP-Adapter やスタイル参照に当たる機能の記載がありません（2026年9月7日確認）。「絵柄だけ借りる」をやりたい場合、いまのところ近いのは Reference Pro に文章で指示する形になります。型3を説明したのは、似ない理由を切り分けるためです。
下のリンクから登録すると、招待した側とされた側の双方に 20,000 クレジットが付与されます。 現金ではなくクレジットでの特典です。無料プランのままでも使えます。
PixAI に登録するReference Pro は何をするものか
公式の説明を引きます。
PixAI Reference Pro を紹介 —— 複数画像参照、自然言語による編集、4K 高解像度出力を 1 つの編集モデルで。
上の3つの型のどれとも違い、「編集モデル」と名乗っています。渡し方ではなく、画像を読んで指示に従うモデルそのものです。
| 公式の記載 | |
|---|---|
| 参照画像 | 最大 10 枚を同時アップロード可能 |
| 使い方 | 1枚以上をアップロードしてから、変更したい内容をテキストで自然に書くだけ |
| 解像度 | 2K と 4K に対応 |
| アスペクト比 | 16:9 / 9:16 / 1:1 / 2:3 / 3:2 / 3:4 / 4:3 / 4:5 / 5:4 |
| 解析するもの | キャラクター、ポーズ、衣装、スタイル、構図を自動で解析 |
公式が挙げている編集例が、性格をよく表しています。
立ちポーズを寝ポーズに変えつつ、キャラの見た目・衣装・全体の雰囲気をきちんと維持
変えるものと保つものを、文章で指定する。 上の型2・型3が「ポーズだけ」「絵柄だけ」と機械的に分けていたのに対し、こちらは何を保つかを言葉で決められます。
限界も公式が書いています。⚠️ ただし Reference Pro のドキュメントではなく、けもみみOC一貫性ガイドのほうです（Reference Pro のドキュメントと公式ニュースには限界の記述がありません。2026年9月7日確認）。
once the angle drifts far from the reference, say the reference is a front-facing portrait and you want a high-angle over-the-shoulder look back, the ears and tail go loose again
正面の1枚から、俯瞰の振り向きを作らせると崩れる。 理屈も素直で、正面の1枚に背面の情報は入っていません。10枚まで渡せるのは、そこを埋めるためだと読めます。角度違いを複数持っているなら渡したほうがいいということです（キャラ固定の記事）。
⚠️ ただし、大きな制約があります
Reference Pro は DiT 系です。 つまり SDXL 用の LoRA が一切動きません（モデル選びの記事）。
これは順番を間違えると痛い話です。
キャラ LoRA を自作した人ほど、Reference Pro でそのキャラを扱えません。
LoRA を作るかどうかを先に決めるべきだというのは、この意味でもそうです。
キャラ固定の3段階の、どこに当たるか
同じキャラを出し続ける手段は、段階で整理できます（キャラ固定の記事）。参照はその真ん中です。
| 段階 | 手段 | 向き不向き |
|---|---|---|
| 1 | プロンプトで書く | 手軽。ただし細部は毎回ぶれる |
| 2 | 参照画像・Reference Pro | 手持ちの絵から広げられる。学習が要らない |
| 3 | LoRA を作る | いちばん安定する。ただし素材が十数枚要る |
段階2の価値は、素材が1枚あれば始められるところにあります。段階3には「学習に十数枚要るのに、1体目にはその十数枚が無い」という循環があるので、段階2で素材を増やして段階3に渡すという道筋が立ちます。
どれを使うか
| やりたいこと | 使うもの |
|---|---|
| 手や顔だけ直す | マスク／ブラシ（破綻の直し方） |
| 絵全体の雰囲気を変える | img2img（Strength で調整） |
| ポーズだけを別の絵から借りる | ControlNet の OpenPose |
| 輪郭・構図ごと借りる | ControlNet の Canny |
| キャラを保ったままポーズを変える | Reference Pro |
| 複数の絵を混ぜる | Reference Pro（最大10枚） |
| SDXL の LoRA と併用したい | SDXL 系モデル ＋ 参考画像（Reference Pro では LoRA が動きません） |
| 同じキャラを大量に出す | LoRA を作る（キャラ固定の記事） |
まだ分かっていないこと
- 「キャラ参照」が公式にはどの機能を指すのか。生成画面のツールバーには「参照」があり、公式ドキュメントにその項目の説明がありません
- ControlNet のクレジット消費と、対応モデルの範囲。機能があることは確認しましたが、公式ドキュメントに項目そのものが無いので、単価も対応表も分かりません
- img2img の Strength の推奨値。公式に記載がありません。どの値でどれだけ動くかは、自分で握るしかない部分です
- Reference Pro のクレジット消費。公式のクレジット表に単価がありません
- 参考画像が SDXL 系のどのモデルで使えるか。Tsubaki.2 が非対応であることは明記されていますが、対応側の一覧はありません
- Reference Pro の出力を LoRA の学習素材にできるか。できるなら段階2から段階3への橋になります
- 型3（絵柄だけを借りる）に当たる機能が PixAI にあるか。公式ドキュメントとモデル一覧には記載がありません。無いなら「絵柄が移らない」のは設定の問題ではないので、探すのをやめられます
出典
- Reference Pro（PixAI公式ドキュメント） — 「複数画像参照、自然言語による編集、4K 高解像度出力を 1 つの編集モデルで」、最大10枚、対応アスペクト比9種、解析する要素、立ちポーズ→寝ポーズの編集例。⚠️ 限界とクレジット消費についての記述は無い（公式ニュースにも無い。2026年9月7日確認）
- img2img（PixAI公式ドキュメント） — マスク／ブラシ／img2img の3モード、img2img はマスクなしで全体を参照すること、Strength で変化量を決めること
- はじめての1枚（PixAI公式ドキュメント） — 生成画面の構成、モバイル版ツールバーの「参照」項目
- モデル概要（PixAI公式ドキュメント） — Tsubaki.2 が参考画像に非対応であること、Reference Pro が DiT であること
- Adding Conditional Control to Text-to-Image Diffusion Models（ControlNet / arXiv 2302.05543） — 空間的な条件づけを足すこと、元モデルを固定して複製を学習させること
- IP-Adapter: Text Compatible Image Prompt Adapter for Text-to-Image Diffusion Models（arXiv 2308.06721） — テキストだけでは狙った絵を出しにくいこと、テキストと画像で cross-attention を分けること、22M パラメータ、派生モデルや他の制御手法と併用できること
- PixAI アプリの生成画面（2026年9月6日確認） — ControlNet の項目と、Method の4種類（OpenPose Full / Canny / Depth / OpenPose）。公式ドキュメントには項目そのものがありません
2026年9月6日確認。ControlNet についての記述は同日にアプリの画面で確かめたものです。9月7日に Reference Pro の限界の出典を引き直し、けもみみOC一貫性ガイドが出どころだと確認しました（Reference Pro のドキュメントと公式ニュースには記述がありません）。