構図・カメラ・視点の指定

Danbooruの構図タグは「フレーミング（被写体がどこで切れるか）」「カメラ角度」「被写体の向き・視線」という3つの独立した系統に分かれている。この3つは別々のタグ群であり、1つのタグで全部を指定することはできない。逆に言えば、3系統から1つずつ選んで組めば構図はかなり安定する。

以下のpost_countはすべてDanbooruの実測スナップショット（2026-08-21時点）である。件数は「そのタグでモデルが何枚学習したか」の目安で、Laxhar Lab（NoobAI開発元）の公式マニュアルは再現度の指標として「スタイルなら100件以上、キャラなら200件以上」という基準を挙げている。ただしこれはキャラ・画風タグに対する基準なので、構図タグへの適用は外挿である。目安として、件数が2桁3桁のタグは書いても反応が薄いと考えてよい。

フレーミング — 上から下へ、どこで切れるか

Danbooru公式wikiの定義に沿って、切れる位置が浅い順に並べる。

cowboy shotは西部劇の「腰のホルスターと顔を同時に写す」画づくりに由来する用語（英語圏ではAmerican shot）で、日本語の「膝上ショット」よりやや浅い。件数が84万件と多く、Illustrious公式モデルカードも推奨枠に挙げている、扱いやすいフレーミングタグである。

対してlower bodyは8,077件しかない。腰から下だけを狙いたい場合は、このタグ単体に頼らずfrom belowや部位focusタグ（ass focus 45,246 / foot focus 36,928 / thigh focus 1,211）と併記したほうが確実に寄る。

「フレーム端で切れる」と「フレーム内で切れる」は別タグ

ここは日本語の感覚だと混同しやすい。

cropped legs系は画像の端ではなく内側で断ち切る表現なので、普通のイラスト構図を狙って書くと宙に浮いたような不自然な切れ方が出る。なおtachi-e（立ち絵、79,064件）は別系統で、公式wikiの定義は「無地背景に単体キャラをstraight-on・full body・standingで置いたビジュアルノベル用スプライト」。cropped legsとの共起は47件しかない。

なおcropped（14,622件）はDanbooruのカテゴリ5（メタタグ）で、画像の内容ではなく「加工されているか」というメタ情報を表す。この種のメタタグは画像内容と相関しないため、プロンプトに入れても構図制御には効かない。

カメラ角度

角度タグ同士は基本的に排他である。from aboveとfrom belowの共起はDanbooru実測で762件、重なり率にして0.64%しかない。両方書くのは学習分布の外側で、視点が定まらない絵が出る直接の原因になる。

from belowには注意が必要で、公式wikiが関連タグにpantyshot・upskirtを挙げ、「単にスカートの中を見上げるためにもよく使われる」と書いている角度である。実測ではfrom belowのうちpantyshot併記が5,608件（4.7%）、upskirtが7,550件（6.4%）、explicit比率は15.8%でDanbooru全体の10.1%の約1.6倍。極端な偏りではないが、ローアングルはそちら側の構図分布をいくらか引き込む。rating指定なしでfrom belowに強い重みを掛けるのは避けたほうがよい。

視線・向きは角度タグとは別レイヤ

カメラの位置（from *）と、被写体がどこを向いているか（facing * / looking *）と、顔が横向きに見えているか（profile）は、すべて独立したタグである。

looking downとfrom aboveを取り違える事故が多い。from aboveはカメラが上にある状態、looking downはキャラが頭ごと下を向いている状態で、両立もするし片方だけでも成立する。同様にfrom below＋looking down（見上げるカメラに対してキャラが見下ろす）は矛盾ではなく、むしろよく使われる組み合わせである。

斜め45°の向きを表すthree-quarter viewはDanbooru上にpost_countが0のタグレコードしかなく、学習信号がまったくない。斜め向きが欲しい場合はfrom side（真横90°から前後45°までを含む定義）を使うか、0°限定のstraight-onもprofileも書かずに角度をモデルへ委ねる、という消去法で作る。

POVと複数人フレーム

pov（197,521）のDanbooru公式定義は「一人称視点の画像」で、「通常は視聴者側の身体の一部（腕など）が写っている」と補足される。視点側が何も写らず、キャラがカメラを見ているだけならlooking at viewerを使う、と明記されている。

そしてpovはレーティング分布が極端に偏っている。Danbooru全体のexplicit比率は10.1%だが、povが付いた画像のexplicit比率は63.9%（基準の6.3倍）、generalはわずか11.5%である。on backは40.7%、lyingは31.6%と、一見中立な構図タグほど偏りが強い。

つまりrating系タグは「露出を止める」ためではなく「構図の分布をどちら側に固定するか」を決めるために書く必要がある。逆にgeneralやsafeを強く指定すると、explicit帯に偏在するPOV・寝そべり・極端なローアングルが出にくくなり、構図の自由度が下がる。「SFWなPOVショット」が作りにくいのはこれが理由である。ただし、この分布の偏りはDanbooru側の実測であり、「モデル内部で構図分布がどれだけシフトするか」という因果の効果量を測った公開実験は見当たらない（コミュニティ合意レベルの解釈として扱うべき）。

複数人が写るが1人に寄せたい場合はsolo focus（497,876）を使う。POVの相手役がいる構図はこれに該当する。soloは「1人しか写っていない」ことを意味するので併用しない。soloと2girlsの共起は実測504件（0.036%）で、事実上の排他である。

multiple views（267,225）は同一キャラを複数カット並べる構図で、Danbooru公式wikiが「multiple viewsの画像にsoloを付けてはならない」と明記している。

書いても効かない別名

Danbooruにはエイリアス（同義語の転送）があるが、モデルの学習キャプションに書かれるのは転送先の正規名だけである。したがってエイリアス側の綴りをプロンプトに書いても学習信号はゼロになる。

一方、medium shot / long shot / establishing shot / waist up / high angle / wide angle といった映画・写真用語は、Danbooruのタグにもエイリアス表にも対応が見当たらない。これらはDanbooruタグとしては機能せず、CLIPの一般英語理解に頼るだけになる。

併用ルールと事故パターン

フレーミングタグの重ね書きも事故のもとで、Illustrious公式モデルカード（v0.1）は逐語で次のように警告している。「close-up、upside-down、cowboy shotのような critical composition タグを多用することは推奨しない。互いに矛盾してモデルを混乱させ、結果に影響する」。同カードが推奨するのは、用途に応じてupper body / cowboy shot / portrait / full bodyから適切なものを選ぶ運用で、重ね書きを避けるという趣旨である。

構図タグに強い重みを掛けるのも得策ではない。A1111の既定の強調モード（Original）はチャンク全体の平均を元に戻す再スケールを行うため、(from below:1.4)のように1つのタグを上げると同じ75トークンチャンク内の他のタグが相対的に縮む。SDXL系では作者自身がコード内で「No norm」（平均復元なし）のほうがよいと述べており、Illustrious / NoobAI / PonyはすべてSDXLである。またComfyUIは重みの計算式自体が異なるため、同じ1.4でも結果が一致しない。構図が出ないときは重みを上げるより、矛盾タグを外すか件数の多いタグに言い換えるほうが効く。

奥行きと背景の指定

背景タグは構図の切れ位置と干渉しにくいので、フレーミング系より安全に足せる。ただしsceneryは「人物が主体でない」という意味を含むため、キャラを大きく写したいときに入れると引きの構図に寄る。

タグを置く位置

Illustriousの技術レポートが公開している学習時のスキーマは person count ||| character names ||| rating ||| general tags ||| artist ||| score range ||| year modifier で、構図タグはgeneral tagsの枠、つまりratingより後ろに来る。NoobAIのモデルカードは <1girl/1boy/1other/...>, <character>, <series>, <artists>, <special tags>, <general tags>, <other tags> としており、こちらもartistより後ろである。

ただし「推論時にタグ順が結果を変えるか」について、Onoma AI・Laxhar Labのいずれも公式な定量的言明を出していない（一次情報での確認は取れていない）。NoobAIの公式マニュアル自身も「誤った順序の影響は明らかでないことが多く、場合によってはかえって良くなることもある」と書いている。

一方で確実なのはトークン位置の話で、SDXLのCLIPは75トークン単位でチャンク分割される。構図タグは絵の骨格を決めるので、第1チャンク（先頭75トークン）に収める。またSDXLのpooled埋め込みは第1チャンクからしか取られない実装になっているため、BREAKを75トークンより手前で入れると、それ以降に書いた構図タグはpooled条件付けに一切寄与しなくなる。

実務上の組み方

構図は「フレーミング1つ ＋ カメラ角度0〜1つ ＋ 視線1つ」の3点で組むと安定する。

1girl, hatsune miku, cowboy shot, from side, looking at viewer,
simple background, masterpiece, best quality

引きの画にしたいときは、full bodyではなくwide shot（23,540件）を使い、背景タグを足して人物比率を下げる。

1girl, wide shot, scenery, cityscape, from above, looking up,
depth of field, masterpiece, best quality

複数キャラの構図制御はタグだけでは限界がある。Illustriousの技術レポートは「Danbooruのデータセットはタグベースのメタデータに依存しており、画像を多次元的に記述することが難しい。この制約が、複数キャラの構図と配置を制御する上での課題を生んでいる」と明記している。Danbooruのタグは画像単位でフラットに付くため、「どの属性がどのキャラに属するか」という情報が学習データに存在しない。人物ごとの配置を厳密に決めたい場合は、プロンプトではなくRegional PrompterやForge Couple、ComfyUIのAttention Coupleといった領域指定の仕組みを使うことになる（ただしこれらも完全な分離は保証されないと各リポジトリのドキュメントが明記している）。