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

イラストや実写画像を大きく拡大すると輪郭がぼやけてしまいます。無料のウェブアプリ「Vectorizer.AI」を使えばイラストや実写画像を無限に拡大可能なSVG形式に変換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「Stale Diffusion」を開発するStability AIが、Stable Diffusionをベースとしてテキストからアニメーションを生成できる開発者向けツール「Stable Animation SDK」をリリースしました。

近年はAIの発達により、簡単に実在の人物が登場するディープフェイクの動画や音声を作成できるようになりました。そんな中、電気自動車メーカー・テスラの弁護団がテスラ車の死亡事故に関する裁判で、「原告が提出した音声はディープフェイクの可能性がある」と主張する事態が発生。裁判の証拠品に対して「これはディープフェイクだ」と反論されることについて、専門家が懸念を表明しています。

人が外界を認識する時、「人通りの多い通りを見ながら、車のエンジン音を聞く」というように、視覚・聴覚・触覚・嗅覚・味覚という複数の感覚を同時に使います。MetaのAI開発部門であるMeta AIが、「テキスト」「画像と映像」「音声」「動きを計算する深度(3D)」「赤外線による熱」「慣性測定ユニット(IMU)による動き」という6つのデータを統合するオープンソースのAIモデル「ImageBind」を発表しました。

「教会にいるネコ」の画像を「オフィスにいるネコ」の画像に変えるといった感じに、画像に写ったオブジェクトの姿形を残したままに周囲の風景だけを別のシーンに差し替えることができる画像編集サービス「Edit Anything」が公開されていたので、実際に試してみました。

2023年5月11日(木)に開催された「Google I/O 2023」の基調講演で、ムービーの吹替音声を自動生成しつつ口の動きも変化させられるAI技術「Universal Translator」が発表されました。

Googleフォトには、写真に写り込んだ不要なものを削除する「消しゴムマジック(Magic Eraser)」や、撮影時に入ったボケやぶれを取り除いて鮮明な写真にしてくれる「ボケ補整(Photo Unblur)」といった機能がありますが、新たに、AIによって写真を再構築し、簡単に編集できる「Magic Editor」が搭載されることになりました。

2023年4月18日に、Xiaomiが「1インチセンサー採用メインカメラ」や「焦点距離120mmの超望遠カメラ」など4個のカメラを搭載したスマートフォン「Xiaomi 13 Ultra」を発表しました。Xiaomi 13 Ultraに搭載されているカメラはライカと共同開発されたもので、スマートフォン付属カメラとしては信じられないほどの高スペックカメラに仕上がっています。

Stable Diffusionの開発元であるStability AIが、オープンソースのチャットボットAI「StableVicuna」のリリースを発表しました。StableVicunaは、Metaが開発した大規模言語モデルのLLaMA 13BをベースとするチャットボットAI「Vicuna-13B」をさらに調整して訓練したチャットボットAIです。

AIによって1枚のイラストを色や明るさに応じて自動でレイヤーにわけてくれるツール「layerdivider」を、抹茶もなかさんが無償で公開しています。ブラウザのUIにイラストを読み込ませてボタンをクリックするだけでレイヤー分けしてくれるだけでなく、Adobe PhotoshopやCLIP STUDIO PAINTで読み込めるPSD形式のデータにも出力してくれるとのことで、実際にローカルPCにインストールして使う方法をまとめてみました。

画像生成AIのStable Diffusionを開発するStability AIが、画像の鮮明さを損なわずに画像のサイズを拡大できるイメージアップスケーリングAPIのリリースを発表しました。

人間が撮影した写真には著作権や肖像権などさまざまな法律による規制が課せられています。しかし、急速に発展・普及するAIの分野では法律による規制が追いついていないのが実情です。そんな中、自身の写真をAIの学習に使用されたと主張する写真家が、逆に損害賠償を請求されていることを明かしています。

2023年4月にソニーから登場した動画特化カメラ「VLOGCAM ZV-E1」はフルサイズセンサーを搭載しつつ小型軽量ボディを実現しています。そんなVLOGCAM ZV-E1を借りられたので、撮影性能を検証するべく多様なシチュエーションでムービーを撮影しまくってみました。

カリフォルニア州のサンタクララ郡高等裁判所で行われているテスラの電気自動車による死亡事故を巡る裁判で、被告側のテスラが、原告側から提出された「イーロン・マスクCEOが2016年に発表した声明のムービー」をディープフェイクの可能性があると主張しました。これを受けて、裁判官はマスク氏に対して、実際に特定の発言をしたかについて宣誓した上で証言するように命じました。

データや信号を一定の規則に基づいて変換することをエンコード、元に戻すことをデコードといい、このエンコードとデコードを行う規格が「コーデック」です。動画は静止画の連続であり、さらに音声を含めるとどうしてもファイルサイズが大きくなってしまいますが、コーデックによってファイルサイズを圧縮することができます。4K解像度が当たり前になりつつある時代に登場したコーデック「HEVC」「AV1」「VVC」について、ハードウェア系ニュースサイトのChips and Cheeseが比較検証を行っています。

X線では写りにくい、水分の多い柔らかい組織を可視化するのに用いられる磁気共鳴法(MRI)で、1ボクセル(立方体の最小単位)がわずか5ミクロンと、従来より6400万分の1という細かいディテールまで表現できる技術が開発されました。

チャットAIに関する研究が活発に行われている中、誰でも無料で使えるオープンソースのチャットAIも数多く登場しています。Microsoftやウィスコンシン大学マディソン校などの研究チームが開発した「LLaVA」は、画像を入力することで画像をお題にした会話を楽しめるとのこと。どんな会話ができるのか、実際に使って確かめてみました。

暗いシーンなどに対応するためにISO感度を上げた状態で写真を撮影すると、画面内に大量のノイズが生み出されてしまいます。Adobeの写真管理・編集アプリ「Adobe Lightroom」やPhotoshopに付属しているRAW現像アプリ「Adobe Camera Raw」に追加されたAIを用いたノイズ除去機能を使ってみたところ、画質を保ちつつノイズをキレイに取り除けたので、使い方やノイズ除去前後比較をまとめてみました。

NVIDIAが、アメリカのコーネル大学と共同で開発したAIモデル「Video Latent Diffusion Model(VideoLDM)」を発表しました。VideoLDMは、テキストで入力した説明に基づき、最大2048×1280ピクセルの解像度、24fpsの動画を最長4.7秒生成することができます。

1都3県で展開するスーパーマーケットの「オーケー」は、一般の販売品を安く販売しているだけでなく、店内のベーカリーで焼き上げるパンやピザも人気が高い。そんなオーケーでは今、AIのユニークな活用法に取り組んでいる。それは「ピザの焼き色を判定するAI」。なぜ経営ではなく、現場のためのAIシステムを開発しているのだろうか。また、AIに「いい焼き色」を理解させるために、2000枚のピザの画像を地道に教えた。当初1000枚の画像を学習させたところ、ある理由で精度が低かったというのだ。その理由とは……。

Adobeが独自に開発したジェネレーティブAIの「Firefly」は、著作権が失効したコンテンツやライセンスフリーのコンテンツのみで学習しており、画像やテキストエフェクトを自動で生成することができます。AdobeがFireflyをCreative Cloudに導入し、動画編集や音声編集に使えるようにするために開発を進めていることを明らかにしました。

ChatGPT匹敵する精度とされるチャットAI「Vicuna-13B」と、画像にキャプションを付けられる「BLIP-2」を組み合わせることで、アップロードした画像についてAIと会話できるようにした「Minigpt-4」が、公開されました。

ソニーが支援する写真コンテスト「ソニーワールドフォトグラフィーアワード(SWPA)」にAIで生成された画像が出品され、クリエイティブ部門の総合優勝作品として選ばれる事態が起こりました。出品者は「AIで生成された画像のための別の部門を作るプロセスを加速させるために出品した」と語り、受賞を辞退しました。

クボタは12月21日、建設機械の故障診断アプリ「Kubota Diagnostics」を開発したと発表した。故障診断のプロセスを効率化して、故障した機械の停止時間（ダウンタイム）を削減するとともに、故障内容の情報を効率的に収集することで、アフターサービスの品質向上に役立てていくとのこと。12月18日から米国で導入開始し、2021年以降に日本を含む世界各地の市場に順次展開していく予定。

3Dアバターとウェブカメラがあれば誰でもバーチャルYouTuber(VTuber)になれるツール「VMagicMirror」を、獏星(ばくすたー)さんが公開しています。基本無料で使うことができ、リップシンク機能やハンドトラッキング機能を搭載しているほか、ゲームコントローラーでアバターを操作することも可能となっています。

カメラの前でポーズを取り、それに応じたキー入力をすることで、あたかもダンスをしているように連続でジェスチャーをして文章をタイピングできる「full-body keyboard(全身キーボード)」を、YouTuberのFletcher Heisler氏が公開しました。

Stable Diffusionなどの事前学習済みモデルに対して、輪郭線や深度、画像の領域区分(セグメンテーション)情報などを追加して出力をサポートする技術が「ControlNet」です。このControlNetを使うことで、別途に読み込ませた画像に写っている線画や人の姿勢などを出力結果に強く反映させることが可能です。このControlNetを複数使用する「Multi ControlNet」で実写の映像を忠実にアニメ化したムービーが、オンライン掲示板のRedditで公開されました。

Metaの人工知能(AI)研究所であるMeta AIのFundamental AI Research(FAIR)チームは、手描きのキャラクターをアニメーションに変換するオープンソースプロジェクト「Animated Drawings」を2023年4月14日にリリースしました。Animated Drawingsは無料でブラウザから体験することができ、頭と体と手足がハッキリしていれば、かなり雑な落書きでも超簡単に動かすことができます。また、Animated Drawingsはオープンソースで公開されているため、GitHubからダウンロードしてより詳細なオプションを設定することも可能です。

2019年に史上初めてブラックホールが撮影されました。このときの画像はかなりぼやけたものでしたが、PRIMO(主成分干渉モデリング)と呼ばれる新たな機械学習技術を用いることで、はっきりとブラックホールの姿がわかる、現実の姿により近い忠実な画像の再構築が行われたことが発表されました。

Adobeが、2023年4月15日～19日にラスベガスで開催される放送・メディア関連カンファレンス兼展示会「2023 NAB Show」に先駆け、映像編集ソフトのAdobe Premiere Proの新しいバージョンを2023年4月13日(木)に発表しました。この新しいバージョンでは、AIによってテキストのコピー＆ペーストで簡単に動画編集ができる「文字起こしベースの編集」や異なるカメラの映像をミックスしてもカラーやコントラストの整合性を維持できる「自動トーンマッピング」などの機能が盛り込まれます。