画像認識、コンピュータビジョン、画像処理に関連する記事へのリンク集

画像生成AIや画像を分析するためのAIをトレーニングするためには、ネコの画像に「ネコ」「歩いている」「しま模様」というようなラベルを手作業で大量につけたデータが必要です。しかし、Metaが発表した「DINOv3」というモデルは、ラベルなしの画像17億枚を使ってトレーニングされており、ラベルに縛られないさまざまなタスクを人間の介入なしに専門のモデル以上の性能でこなすことができます。

空を飛ぶ鳥は、視界の中を高速で移動する昆虫や障害物などに素早く気づき、その正体を見分けて追跡する必要があります。スウェーデンの研究者らが2016年に発表した論文では、野生の小鳥がヒトの2倍以上もの視覚的な時間分解能(一定時間内に起きた視覚的変化を感知する能力)を持っていることが報告されています。

AlibabaのAI開発チームであるQwenが画像生成AI「Qwen-Image」を2025年8月4日(月)に発表しました。Qwen-Imageは既存の画像生成AIが苦手とする「テキストの正確な描画」を得意としており、「複数行にわたる中国語の文章を含む画像」や「英語と中国語の両方を含む画像」を正確に描画できます。また、一般的な画像生成や画像編集も高品質であることがアピールされています。

X(旧Twitter)に搭載されているAIアシスタント「Grok」に、新しく6秒の音声付き動画を生成する「Imagine」機能が追加されました。Xのオーナーであるイーロン・マスク氏は、このGrok Imagineをかつて存在したショート動画共有アプリの「Vine」の名で呼んだ上で、最近発掘されたというVineのアーカイブを復活させる方針を明らかにしています。

Googleがインタラクティブな仮想世界を生成できる世界モデル「Genie 3」を2025年8月5日に発表しました。Genie 3で生成された世界は3Dゲームのように移動したりカメラを動かすことが可能で、ゲーム開発やロボット研究、災害シミュレーションといった分野での活用が期待されています。

XのAIアシスタント「Grok」に新しく追加された「Imagine」は、テキストから画像を生成したり、画像から6秒の音声付き動画を生成したりすることができます。通常、生成AIではユーザーによる不適切なコンテンツの生成をブロックするセーフガードがかけられていますが、Imagineの「スパイシー」というモードを使うと、プロンプトで指定していないのにセクシーなコンテンツを生成できてしまうと問題視されています。

AIスタートアップのDecartが、テキストプロンプトに基づいて動画編集を高速かつ制御可能に行うために設計された、新しい拡散ベースのAI動画編集モデル「MirageLSD」を発表しました。MirageLSDは、テキストから動画を生成する従来の動画生成AIと異なり、カメラで撮影した映像やゲームの実況配信をリアルタイムで全く異なるスタイルに「変換」することが可能です。

GoogleのAIアシスタント「Gemini」に動画生成AI「Veo 2」を利用した動画生成機能が追加されたのに続いて、YouTubeとGoogleフォトにも「Veo 2」を利用した「写真から動画への変換機能」が搭載されました。

Appleが独自の視覚言語モデル(VLM)となる「FastVLM」を発表しました。従来のVLMは精度が高くなると効率性が低下するという問題を抱えていたのですが、FastVLMは高い精度を保ちながら効率の面でも優れた性能を発揮しており、オンデバイスでのリアルタイムビジュアルクエリ処理に適したAIモデルになっているとのことです。

2022年から開催されている動画生成AIのRunwayによるAI生成コンテンツの映画祭「AI Film Festival(AIFF)」の受賞作品のIMAX劇場での上映イベントが、2025年8月17日から20日に開催されることが決定しました。

Adobeが画像編集ソフト・Photoshopの7月期アップデートを発表し、生成AIを使って画像を最大8メガピクセルまで高画質化できる「生成アップスケール」機能や画像オブジェクトを分析して自動調整する「調和」機能などの新機能を導入したと発表しました。

Google DeepMindが、膨大な量の地球観測データを統合して地球規模の地図を作成できるAIモデル「AlphaEarth Foundations」を発表しました。また、AlphaEarth Foundationsによって作成されたデータを「Satellite Embedding V1」としてデータセットにまとめ、Google Earth Engineで公開しています。

記事作成時点では生成AIテクノロジーの発達により、テキストや画像を元に滑らかな動画を生成することも可能となっています。そんなAIツールのみを使って動画を制作し、オンライン上の総再生回数が1億回を突破したという動画制作スタジオ「Dor Brothers」について、大手日刊紙のニューヨーク・タイムズが報じています。

画像生成AI「Stable Diffusion」のオリジナル開発陣が立ち上げたAI企業「Black Forest Labs」が、写真のようなリアルな画像をテキストから生成できる最先端のオープンウェイトモデル「FLUX.1 Krea [dev]」をリリースしました。

AIを駆使して古いホームビデオのような低解像度動画を4K高画質動画に変換したり、スローモーション動画に変換したり、音声ノイズを除去したりすることができるAI動画高画質化ソフトウェアが「Aiarty Video Enhancer」です。「動画をアップロード→AIモデルを選択→プレビュー＆出力」という簡単3ステップで動画を手軽に処理できるということで、実際に使ってみました。

AIを用いて動画や写真に含まれる人物の顔や体を別人のものに置き換える技術は「デイープフェイク」と呼ばれており、ポルノコンテンツの生成や政治的扇動コンテンツの作成などに悪用されています。中でもデイープフェイクを用いてポルノコンテンツを生成するウェブサービスはかなりのユーザー数を抱えており、収益は数億円規模に達しているそうです。

2025年4月に公開されたNetflixのオリジナルドラマシリーズ「エテルナウタ」では、あるシーンの制作に生成AIが活用されていることが明らかになりました。制作に生成AIが活用されたのは、Netflixオリジナル作品としては初です。

半導体大手のAMDが、独自の画像生成AIである「Nitro-T」を発表しました。Nitro-Tは高効率な学習に重点を置いた、テキストから画像を生成することができるDiffusion Transformerモデル(DiTモデル)です。AMDは自社GPUであるInstinct MI300Xを32基使うことで、Nitro-Tをゼロからわずか1日未満でトレーニングすることができたとアピールしています。

「RapidRAW」はオープンソースで開発されているRAW現像アプリで、非破壊編集に対応しているほか、GPUアクセラレーションを用いた高速処理が可能なこともアピールされています。便利そうなので実際に使ってみました。

実在の人物の画像から偽のヌード画像(フェイクヌード)を作ることができるアプリ「Clothoff」は、アメリカやスペインで男子生徒らが女子生徒のヌード画像を生成し共有するという事件が発生するなど、問題を引き起こしています。そんなClothoffの運営者はAIでCEOの顔を生成するなど匿名を守っていますが、社内情報にアクセスできたという元従業員が、Clothoffの体制やプロジェクトについて内部告発しています。

バーチャルYouTuber(Vtuber)は2017年ごろから日本で流行したコンテンツで、もともとはアーティストが作成したイラストやLive2D、3Dモデルなどのキャラクターをアバターやアイコンとして用いて、動画投稿や配信を行う形態として広がりました。生成AIの発展により、キャラクターを生み出せるだけではなく声や動画、キャラクターが話す文章もAIが生成できるようになったため、VTuberの制作がかつてないほど容易になり、「新しいバーチャルクリエイターの波が巻き起こっている」とアメリカの大手放送局であるCNBCが報じています。

「Tartube」はYouTubeやニコニコ動画といった動画サイトのコンテンツを簡単にダウンロードできる無料アプリです。複数動画の一括ダウンロードやチャンネルごとのダウンロード機能など高度な機能をコマンド不要で実行可能とのこと。かなり便利そうだったので、実際にPCにインストールして動画をダウンロードするまでの流れをまとめてみました。

by RubinObs/NOIRLab/SLAC/NSF/DOE/AURA

オープンソースの画像編集アプリ「GIMP」のバージョン3.1.2がリリースされました。GIMP 3.1.2はGIMP 3.2に向けた最初の開発リリースで、新しいペイントモードやテキストオプション、印刷時に便利なCMYKの設定、Photoshopパターンのインポートへの対応などが含まれています。

Googleの3D地図サービス「Google Earth」が登場から20周年を迎えました。Googleは20周年を記念して過去のマップをタイムラプスで鑑賞できる特設サイトを公開しているほか、「過去のストリートビューを簡単に確認できる機能」の追加も告知しています。

Googleが現地時間の2025年6月26日、アップロードした自分の全身画像を好きな服の写真と組み合わせ、バーチャルで試着できる実験的アプリ「Doppl」をリリースしました。Dopplのバーチャル試着機能を使えば、手元にない服でも自分に似合うかどうかを視覚的にチェックすることが可能となっています。

高品質な画像生成AIの開発企業として知られるBlack Forest Labsが、画像編集に特化したオープンウェイトモデル「FLUX.1 Kontext [dev]」を2025年6月26日(木)にリリースしました。

生成AIの登場によって、誰でも簡単に文章やイラストを作ることができるようになりましたが、AIの学習元となっているデータセットの中にはインターネット上から無断で収集されたものも多く、著作権を巡って大きな議論となっています。IT系ニュースサイトのThe Vergeが、インターネット上に公開されている二次創作作品のスクレイピングを巡って海外のファンコミュニティで巻き起こった騒動について、当事者たちの意見をまとめています。

Googleが軽量かつ高性能なマルチモーダルAIモデル「Gemma 3n」を2025年6月26日(木)に正式リリースしました。正式リリースに合わせて詳細な仕様やベンチマーク結果が公開されています。

AlibabaのAI開発チームであるQwenが画像生成AI「Qwen VLo」を2025年6月26日(木)に発表しました。Qwen VLoは画像内に含まれるコンテンツ理解力が高く、正確な画像編集が可能とのこと。また、プログレッシブ生成手法を採用しており、左上から順番に画像が生成されるのも大きな特徴です。