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

古いスマートフォンやビデオカメラで撮影した映像は解像度が低く、フルハイビジョンや4Kなどの高解像度ディスプレイでそのまま再生すると、あまりにも画質が悪くなって視聴に耐えられないことがよくあります。「Aiarty Video Enhancer」はAI技術によって低解像度の動画を高解像度にアップコンバートできるソフトで、誰でも簡単に古い動画を高解像度化することが可能。なんと今回GIGAZINEとのコラボレーションでAiarty Video Enhancerの永久ライセンスが税込9780円で購入できるキャンペーンが開催されるので、Aiarty Video Enhancerがどんなソフトなのかを確かめるべく実際に使ってみました。

Googleは2025年8月に画像編集AI「Gemini 2.5 Flash Image」をリリースしました。「nano-banana」というコードネームで開発されていたGemini 2.5 Flash Imageは、Google AI StudioやGoogle Geminiで使用可能で、画像の特徴を維持しながら編集することが得意とされています。このGemini 2.5 Flash Imageを使って、イラストを忠実にフィギュアにした画像を生成できるアプリを、てんねんさんが公開しています。

中国の大手IT企業であるテンセントが、単一の画像から世界の整合性が取れた3Dシーンを生成するAIフレームワーク「HunyuanWorld-Voyager」をGitHubで公開しました。HunyuanWorld-Voyagerはコンテキストを保ったシーン拡張を実現し、生成した3Dシーンの中で視点を移動する動画を生成することが可能です。

画像生成AIのMidjourneyが、著作権で保護されたキャラクターを勝手に使用して画像や動画を生成しているとして訴えられている問題で、新たに『スーパーマン』『バットマン』『ジョーカー』などの映画を手がけたワーナーブラザース・ディスカバリー(WBD)も訴訟を起こしたことがわかりました。

「OM-5 Mark II」は2025年7月18日に登場したミラーレスカメラで、小型軽量ボディにフラッグシップモデルと同等の防塵防滴性能や5軸手ぶれ補正機構などが詰め込まれています。そんなOM-5 Mark IIをOMデジタルソリューションズから借りられたので、まずは外観を詳しくチェックしてみました。

NHN テコラスの担当者が2025年8月開催のイベント「Google Cloud Next Tokyo」に登壇し、漫画アプリ「comico」を支えるデータ分析基盤をオンプレミス環境からGoogle Cloudへ移行したいきさつとその効果、移行で意識した点などについて説明した。

8月28日に発売された今年の「Google Pixel 10」シリーズのうち、10 Proおよび10 Pro XLには、「超解像ズームPro」という新機能が搭載された。しかし、発売日以降、この「超解像ズームPro」を使った多くの写真がネットにアップされているが、「これは写真ではないのではないか」といった感想が目立つ。この機能をユーザーが受け入れがたい理由を考察する。

米カリフォルニア大学マーセド校と米インディアナ大学に所属する研究者らは、数学における解けた際のひらめきを事前予測できる可能性を示した研究報告を発表した。

ウイングアークが8月26日に発表したタイムスタンプサービス「Trustee」。1秒当たり1000文書という処理速度を武器に、領収書や請求書が生成AIにより、一瞬で改ざんされる時代のリスクに挑む。日本企業の多くが抱える“無防備PDF”の問題とは。

映像ストリーミングサービスのNetflixは、自社プラットフォームで配信されるオリジナルコンテンツの制作者に対し、生成AIを使用する上で守って欲しいいくつかの指針を公開しました。Netflixは映像制作側が生成AIを使用することを歓迎していますが、デリケートな分野であるため守ってほしい指針があるとしています。

画像に一見しただけではわからない「隠された文字列」を埋め込み、被害者がこの画像を大規模言語モデルに読み込ませることで、AIエージェントに対するプロンプトインジェクション攻撃が発動するという攻撃手法が発見されました。この攻撃手法を作成して確認するためのツールも、GitHubで公開されています。

芸術作品は時間が経つにつれて劣化するため、作品を後世に残すためには、修復作業が必要です。しかし、芸術作品の修復失敗事件は多数発生しており、「素人修復家にアート修復を任せるべきではない」と訴えられることもあります。そんな中で、マサチューセッツ工科大学(MIT)で機械工学を専攻する大学院研究員が、芸術分野では素人にもかかわらず、AIを利用して絵画を修復する新しい方法を提案して美術界に衝撃を与えました。

マルチメディアフレームワークであるFFmpegのバージョン8.0「Huffman」が2025年8月22日にリリースされました。このバージョンではオープンソースのAI音声認識モデルであるWhisperフィルターが新たに追加され、FFmpeg単体で自動音声認識が可能になり、ライブ字幕の生成や文字起こしといった機能が利用できるようになります。

「YouTubeのショート動画が投稿者の許可無くAI処理され、見た目が変化する」という事態が発生していることが明らかになりました。YouTubeはショート動画への処理を認めており、処理内容を説明しています。

色の表現方法であるカラーモデルにはCMYKやRGBといったものがありますが、知覚的に均一になるよう設計された新しいカラーモデルの「OKLCH」は、人間の色認識の精度が大幅に向上し、色彩の扱いがはるかに容易になるという利点を持っているそうです。このOKLCHとは一体どういったものなのかについて、OpenSeaのデザイナー兼デザインエンジニアのヤクブ・クレヘル氏が解説しています。

Googleが優れた画像編集能力を持つ「Gemini 2.5 Flash Image」をGeminiに統合しました。Gemini 2.5 Flash Imageは画像の特徴を維持しながら編集することが得意で、AIの画像編集能力を測定するテストではOpenAIの画像生成AIやFluxシリーズを大きく超えるスコアを示しています。

Google製スマートフォン「Pixel 10 Pro」と「Pixel 10 Pro XL」のカメラには最大100倍までズームできる「超解像ズームPro」という機能が備わっています。公式ページには「アップグレードされた望遠レンズと新開発のAI画像技術により、これまでにないくっきりと鮮やかなアップ写真の撮影が可能」と記されていたので、実際に撮影してどれだけキレイな写真を撮影できるのか確かめてみました。

Google製スマートフォン「Pixel 10」「Pixel 10 Pro」「Pixel 10 Pro XL」が2025年8月28日に発売されました。GIGAZINE編集部で実際に買った3モデルのベンチマークテストを実施した結果、プロセッサの処理性能には大きな差がないことが判明。そうなると「カメラ性能の違い」が購入モデルを決める際の大きなポイントとなります。というわけで、無印モデルとProモデルのカメラ性能の違いを徹底的に検証してみました。

Google製スマートフォンのPixel 10シリーズのカメラアプリには、AIが被写体を読み取って適切な撮影方法を教えてくれる「カメラコーチ」という機能が備わっています。カメラ初心者でもAIの指示に従って見栄えのいい写真を撮影できるとのことなので、実際に使ってみました。

画像生成AIの技術向上に伴って、実写と区別が付かないほどリアルなフェイク画像が作られるようになりました。「C2PA」は画像にコンテンツ認証情報を埋め込む技術で、「どのカメラで撮影されて、どのアプリで編集されたか」ということを証明することで実写画像かフェイク画像かを見分けられるようにします。2025年8月28日に登場したPixel 10シリーズもC2PAに対応しており、撮影した写真や編集した写真にコンテンツ認証情報を埋め込むことが可能。文章の説明だけだとよく分からないので、実際にコンテンツ認証情報を見る方法や効果をまとめてみました。

中国のIT企業・アリババ(阿里巴巴)のAI開発チームが、画像生成AI「Qwen-Image」に基づいて画像編集タスクを拡張し、キャラクターの元の見た目を維持したまま別の情景を描き出すことができる「Qwen-Image-Edit」を発表しました。

NVIDIAはロボット開発や自動運転車などの開発に役立つ仮想世界構築プラットフォーム「Omniverse」を展開しています。新たに、CGに関する国際会議「SIGGRAPH」の開催に合わせて、Omniverseのアップデートが発表されました。

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。