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に関連する技術は日々進歩しており、画像生成AIを用いたサービスや画期的な生成手法などが続々と公開されています。画像生成AI技術の発展に伴ってアダルトコンテンツの生成に関する技術やサービスも急速に発展しており、AIで生成したアダルトコンテンツが販売されたり、アダルトコンテンツを生成するためのモデルデータが配布されたりしています。

NVIDIAは、AIが「物体を移動させる」などの人間の行動を観察するだけで、行動前後の物体の位置関係からAIが自ら実行計画を立案して、同じ行動を実行することができる技術を公開しました。

Googleが、大規模言語モデル(LLM)に「視覚」を持たせた「大規模視覚モデル(LVM)」のデモを公開すると同時に、LVMの仕組みについての解説記事を投稿しました。

AIで生成された動画を見てみると、連続した動きの中で文脈を無視するようにオブジェクトが突然別の物に変わったり、「大ざっぱなパラパラ漫画」のように映像がガクガクと揺れたりすることがままあります。そうした問題を改善する「Content Deformation Field(CoDeF：コンテンツ変形フィールド)」が公開されました。

2022年8月にStability AIの「Stable Diffusion」が登場して以来、画像生成AIは急激な進歩を遂げ、画像だけではなくムービーも生成できるようになりました。しかし、生成AIによって作られるムービーに描かれるオブジェクトや背景は形を激しく変えたり色が変わったりするため、実用性には乏しいといえます。浙江大学とMicrosoftの研究チームが発表した「StableVideo」はテキスト駆動拡散モデルに時間の概念を導入することで、安定していて実用性が高いムービーを生成することが可能となっています。

店内に設置されたカメラとAIを使用し、コーヒーショップが店員の勤務や利用客の滞在時間を詳細に追跡している模様を収めたコンセプトムービーがSNSで公開され、さまざまな意見が寄せられました。

画像生成AI「Stable Diffusion」などの開発で知られるAIスタートアップ「Stability AI」が、競合他社の発展や主要幹部やエンジニアの相次ぐ辞任によって、開発資金の調達に苦しんでいることが報じられています。

白黒画像をカラー化する「Color Diffusion」のプロジェクトがGitHubにて公開されています。

非常に高度なレベルで文章を生成できる対話型AIのChatGPTや、画像生成モデルのDALL・Eなどを始めとした画像生成AIの発達により、誰でもクオリティの高い文章やイラスト、画像を作成できるようになりました。これらの生成AIを用いることで、存在しない女性のセクシーな自撮りやセリフの吹き込みがある官能的なストーリーなどを全てAIで作成した「ハイパーポルノ」に注目が集まっています。

インターネットでサービスを利用を行う際、自身がロボットでないことを証明するために「CAPTCHA(Completely Automated Public Turing test to tell Computers and Humans Apart)」というテストを要求されることがあります。CAPTCHAについて調査を行ったカリフォルニア大学の研究チームによる実験で、CAPTCHAテストの解読速度や正答率は人間よりもボットの方が優れていることが判明しました。

画像生成AI「Stable Diffusion」を開発するStability AIが、日本語向け画像言語モデル「Japanese InstructBLIP Alpha」を一般公開したと発表しました。入力した画像に対して日本語で説明を生成できる画像キャプション機能や、画像についての質問を日本語で入力すると日本語で回答する機能が搭載されています。

顔認識技術が万能ではないことを証明する事例はいくつも存在していて、特に、有色人種の認識では誤りが起きやすいことがわかっています。アメリカでは無実の男性が顔認識システムの誤りのせいで1週間拘束される事態が起きていますが、今度は妊娠8カ月の女性を強盗犯であると判断。訴訟は証拠不十分で取り下げとなり、女性が不当逮捕だったとして市を提訴する事態になっています。

画像生成AI「Stable Diffusion」の開発元であるStability AIが画像生成モデル「Stable Diffusion XL 1.0(SDXL 1.0)」を公開しました。SDXL 1.0は2023年6月に研究目的で公開された「SDXL 0.9」をさらに強化したもので、すでにモデルデータが公開されている他、SDXL 1.0をサクッと使えるウェブアプリも用意されています。加えて、AmazonのAIサービス「Amazon Bedrock」でSDXL 1.0のAPIが利用可能になることも発表されています。

Photoshopのベータ版には、テキスト入力(プロンプト)に沿った画像を生成できる機能「生成塗りつぶし(旧称：ジェネレーティブ塗りつぶし)」が搭載されており、生成塗りつぶしを応用することで「画像の外側に『画像の続き』を生成する」という操作が可能です。新たに、「画像の続きを生成する」といった操作を一発で実行できる機能「生成拡張」が追加されたので、実際に使ってみました。

Google DeepMindが視覚および言語を行動に変換できる学習モデル「Robotic Transformer 2(RT-2)」を2023年7月28日に発表しました。RT-2を搭載したロボットは「イチゴを正しいボウルに入れて」「机から落ちそうな物を持ち上げて」といった指示を実行できる他、学習データに含まれていない指示も高い精度で実行可能です。

セキュリティ対策として長いパスワードを使うと覚えておくのが大変なため、パスワードが表示された画面を画像として保存している人もいます。このような画像から、パスワードをテキストデータに変換して認証情報を窃取するマルウェアが見つかったことが報告されました。

GoogleがAIを使ってYouTubeにアップロードされている動画の要約を自動生成する実験を行っていることが、2023年7月31日付けでサポートページで告知されました。生成される要約動画はYouTubeの視聴ページと検索ページに表示されることが想定されています。

2023年8月2日(水)に登場したDJIのアクションカメラ「Osmo Action 4」は小型ボディに高性能なブレ補正機能が詰め込まれており、激しいアクション中でも安定した映像を最大4K・120fpsで記録可能です。そんなOsmo Action 4に触れる機会を得られたので、外観チェックに続いて画角やブレ補正性能を検証してみました。

Googleが2023年8月2日に、AIが生成した回答を検索結果に表示する「Search Generative Experience(SGE)」に、画像と動画に関する新機能を追加することを発表しました。

一枚の画像を元に雰囲気を変更した画像を作成する技術は2022年時点で登場していましたが、その技術をそのままムービーに応用しようとするとフレームとフレームのつながりがいびつになったり、逆にフレーム間のつながりを重視しすぎてフレーム一枚一枚のクオリティが下がったりする問題が発生していました。「TokenFlow」はワイツマン科学研究所の研究者グループが開発した手法で、ムービーのフレーム間の一貫性やクオリティを保ちながら雰囲気だけを変更することが可能です。

Stable DiffusionやChatGPTなどのジェネレーティブAIが登場したことによって、誰でも簡単に文章や画像を作成できるようになりました。IT系ニュースサイト・Digital Scienceのダニエル・フックCEOが、画像生成AIを使用した時に遭遇した「1本のバナナ問題」から、ジェネレーティブAIが抱える問題に言及しています。

生成AIのトレーニングに作家の著作が無断で使用されているとして、全米作家協会が「AIトレーニングに著作権で保護された素材を無断で使用するな」とOpenAIやAlphabet、MetaなどのAI開発企業へ訴える公開書簡を発表しました。この公開書簡には「ハンガー・ゲーム」シリーズで知られるスーザン・コリンズ氏、カナダを代表する作家であり2019年に「誓願」でブッカー賞を受賞したマーガレット・アトウッド氏など、8500人を超える作家が署名しています。

GPT-4の画像認識機能に備わった特定の個人を識別するという能力がプライバシー法に違反する可能性があるという懸念から、OpenAIが顔認識機能に制限をかける措置を取っていることが明らかになりました。

FacebookやInstagramといったSNSを開発するMetaの人工知能(AI)研究所であるMeta AIが、テキストから画像を生成したり、画像からテキストを生成したりすることができる単一のAIモデル「CM3leon(カメレオン)」を発表しました。

Microsoftが開発した人工知能「りんな」はLINEやTwitterでサービスを展開している女子高生AIです。Microsoftのディープラーニング技術と機械学習クラウドサービス「Azure Machine Learning」を組み合わせたというAIエンジンを搭載しているりんなが、東京ゲームショウ2016に出展中のMicrosoftのブースに登場し、ファッションチェックやラップを歌うなどの新機能を披露しました。

人工知能(AI)の進化はめざましく、GoogleやFacebookなどIT企業をはじめとして世界中の大学や研究機関が競うように開発しています。そんな中、IBMとMITが「現実世界の映像・音声へのAIの理解を高めること」を目的に研究協力することを発表しました。

チャットAI「ChatGPT」や画像生成AI「DALL・E」の開発で知られるOpenAIとフォトストックサービス・Shutterstockが、2021年から続く戦略的パートナーシップの範囲を今後6年間拡大することを発表しました。

「Stable Diffusion」や「Midjourney」など、多種多様な画像生成AIが続々と登場する中、Adobeが開発した「Firefly」は著作権的にクリアな画像を生成できるAIとして企業などから大きな注目を集めています。そんなFireflyが日本語での指示を受け付けるようになったので、実際にどんな指示でどんな画像が生成されるのか試してみました。

Stable DiffusionやMidjourneyなどの画像生成AIは、テキストを入力してAIに指示を出すことで画像を生成できますが、テキストだけだと自分の好みの画像を生成することはなかなか難しいものです。AI研究開発企業のStability AIが、2023年7月14日にシンプルなラフスケッチを画像へと変換できる無料サービス「Stable Doodle」の開始を発表しました。

JPEGコーデックライブラリ「Libjpeg-Turbo」のバージョン3.0.0が2023年7月3日にリリースされました。しかし、プロジェクトの続行は資金不足のため困難であることを開発者が報告しています。