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「Stable Diffusion」などの有名AIでも利用されているPython向け機械学習ライブラリ「PyTorch」のバージョン2.0が正式リリースされました。PyTorch 2.0は後方互換性を保ちつつ、処理速度が大幅に向上しています。

画像生成AI「Midjourney」の開発チームが、2023年3月16日(木)に「Midjourney V5」のアルファ版をリリースしました。「Midjourney V5」では超高画質な画像生成が可能となっているだけでなく、画像生成AIの課題であった「『手』を正確に描写できない問題」が解決されたという報告も寄せられています。

OpenAIの大規模言語モデル・GPT-4や画像生成AIのMidjourneyなどのジェネレーティブAI技術は急速に発展し、実際に文章や絵画を作成するケースが爆発的に増えています。アメリカ著作権局が2023年3月16日付けで、AIが生成した素材を著作物として認める場合を明確にするガイダンスを発表しました。

画像生成AIのStable Diffusionを動かすには十分な性能のGPUとVRAMが求められるため、ハイスペックなPCやワークステーションを使うか、あるいはGPUサーバーにアクセスして演算リソースを借りる必要があります。エンジニア向けに機械学習の講義を配信しているMachine Learning Compilationが、サーバーのサポートを必要とせずにブラウザ内でStable Diffusionを実行できる「Web Stable Diffusion」を公開しています。

スマートフォンやカメラでムービーを撮影した際に「明暗差の激しいシーンで、一部分が暗くなってしまった」という経験がある人は多いはず。Googleフォトには明暗差の激しい写真を見栄え良く編集するツール「HDR」が搭載されているのですが、新たに「HDR」をムービーでも使えるようになったので、実際に使う手順や効果を確かめてみました。

対話型AI「ChatGPT」などに使われる言語モデルは複雑なタスクを実行することが実証されていますが、これをロボットに応用する場合、状況にあった動作を行うために言語モデルはより詳しい情報を収集する必要があります。Googleとベルリン工科大学のAI研究者グループは、カメラで捉えた映像とテキストによる指示を理解できる新しい言語モデル「PaLM-E」を開発したことを明らかにしました。このモデルを使うことにより、「引き出しからお菓子を持ってきて」というような複雑な命令をロボットが処理できるようになります。

どこからどう見てもコンピューターで作った3DCG画像にしか見えない写真4枚とその撮影工程を、ノルウェーに拠点を置くデザインスタジオ「Skrekkøgle」が公開しています。

OpenAIが提供する対話型AI「ChatGPT」は非常に高い性能から裁判での使用や文章の執筆などで用いられています。しかし、ChatGPTは会話用に開発されたAIであり、画像生成機能は搭載されていません。そんな中、新たにマイクロソフトリサーチアジアのチェンフェイ・ウー氏らの研究チームがChatGPTに画像生成機能を搭載した「Visual ChatGPT」を発表しました。

AIを利活用したサービスによる社会課題解決に取り組む株式会社エクサウィザーズ（東京都港区、代表取締役社長：石山 洸、以下、エクサウィザーズ）は、戸田建設株式会社(東京都中央区、代表取締役社長：大谷 清介、以下戸田建設) […]

Samsungのハイエンドスマートフォンには、最大100倍のズーム写真が撮影可能な「スペースズーム」機能が搭載されています。このスペースズーム機能を使って撮影した月の写真が「ほとんどはAI処理によって描画されたものだ」と指摘された件について、Samsungが英語版ブログに技術的詳細を投稿しました。

「Stable Diffusion」をはじめとするAI画像生成は、最近非常に注目を集めている分野です。

ネガティブプロンプトの入力の手間をスキップできる「Textual Inversion」、「EasyNegative」の超初心者向け解説

現代では高度で安価なVR(仮想現実)デバイスが開発されるようになり、本格的なVR空間を自宅でも簡単に楽しめるようになりました。しかし、VRデバイスがまだ一般的ではない時代は、センサーやカメラを使って疑似的に3D映像を実現してVR空間を再現する試みも行われていました。この「疑似的な3D映像」について、Shopifyの公式ブログ・Spatial Commerce Projectsが取り上げています。

Microsoftが、ウェブブラウザのEdge上で低品質ムービーの解像度を機械学習で向上させるための技術「Video Super Resolution(VSR)」を発表しました。記事作成時点ではMicrosoftのInsiderプログラムでEdgeのCanaryチャネルを利用するユーザーの一部がVSRによるムービーのアップスケーリングを体験できます。

顔の写る自撮り写真や記念写真を撮影した際に「照明の位置が悪くて顔が暗くなった」という経験がある人は多いはず。Googleフォトに搭載されている編集ツール「ポートレートライト」を使えば、撮影後に照明の位置を変えて顔を明るくしたり、陰影を強調したりできるとのこと。人物写真の編集にメチャクチャ便利そうだったので、実際に使って使用手順や効果を確かめてみました。

磁気共鳴機能画像法(fMRI)は、脳内の活動部位を非侵襲的に測定するための方法です。このfMRIで測定した脳の機能活動から画像生成AIのStable Diffusionを使い、被験者が見た画像を再構築することに成功したという論文を、大阪大学大学院生命機能研究科の高木優助教らが発表しました。

Googleの写真管理ツール「Googleフォト」には、不要物を削除する「消しゴムマジック」や写真の明るさを鮮やかに編集できる「HDR」など、数多くの便利ツールが搭載されています。「写真がイマイチだけど、どこが悪いのか明確に言えない」といった状況では適切なツールの選択が困難ですが、Googleフォトには写真を自動分析して適切な編集ツールの候補を提案してくれる機能があるので、初心者でも手軽に高品質な写真を生み出せます。実際にどんな候補が出るのか初心者目線で確かめてみました。

画像生成AI「Stable Diffusion」の開発元である「Stability AI」が、ARアプリ「ClipDrop」などを開発する「Init ML」の買収を発表しました。この買収によって、画像生成AIを組み込んだアプリの開発が進むとのことです。

「明暗差の激しい場所を撮影したら、メインの被写体が暗くなってしまった」という経験がある人は多いはず。Googleの写真管理サービス「Googleフォト」に搭載されている「HDR」機能を使えば、写真の暗くなってしまった部分を違和感なく明るめに補正してくれます。失敗写真を復活させるのに役立ちそうだったので、実際に使う手順や効果を確かめてみました。

モノクロの美麗なポートレート(人物写真)を投稿してInstagramで人気を集めているジョス・エブリーさんが、自身の投稿してきた画像が画像生成AIを用いて作成したものであると明かしました。

オーストラリアのモナシュ大学でヒューマン・センタード・コンピューティングを研究するベルンハルト・ジェニー准教授らのチームが2020年に発表した研究結果をベースにしたソフトウェアが「Eduard」で、地図に陰影をつける「レリーフシェーディング」を、Macに地図を読み込ませるだけで機械学習で実行してくれるというアプリです。

「失顔症」とも呼ばれる相貌失認は、目や鼻などの顔のパーツは認識可能であるにもかかわらず、脳の障害により顔全体を見て個人を識別することができない状態を指します。先天的な相貌失認の有病率はこれまで2～2.5％だと考えられていましたが、ハーバード大学医学部とVAボストンヘルスケアシステムが共同で行なった研究で、実際の先天的な相貌失認の有病率がこれまでよりも高い約3％であることが明らかになりました。

Stable Diffusionなどの画像生成AIに、特定の画像や画風を特定の単語に圧縮してAIに指示することで、自分の生成したい画像を任意の画像によく似せる「最適化」が可能です。テル・アビブ大学のコンピューター科学者であるリノン・ガル氏らのチームが、たった1枚の画像と5～15ステップの調整で画像の最適化を実現する方法を発表しました。

防犯カメラには赤外線を利用した暗視機能が搭載されているものがあり、光がまったくない暗闇の中にいる人物の顔をはっきりカメラに捉えることができます。そんな赤外線カメラから顔を撮影されることを避けるための服「The Camera Shy Hoodie」を、アイダホ大学でアートとテクノロジーについて学ぶマーク・ピアース氏が開発しました。

YouTube、Twitch、Netflixなどあらゆるウェブサービスにある古いぼやけた動画を、RTX 30シリーズおよびRTX 40シリーズのGPUでアップスケールして視聴できるようにするドライバー「RTX Video Super Resolution(VSR)」をNVIDIAがリリースしました。

画像生成AIのStable Diffusionはテキストを入力して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望み通りの絵を生成するのはなかなか難しいもの。「Scribble Diffusion」は、ブラウザ上で描いた落書きとテキスト入力から自分の希望に近い絵をStable Diffusionで生成することが可能で、動作デモをブラウザから試すことが可能です。

ムービーの無劣化結合や多種多様な形式への変換などの機能を備えたマルチメディアフレームワーク「FFmpeg」のバージョン6.0が2023年2月27日(月)にリリースされました。FFmpeg 6.0ではQSVやNVENCといったハードウェアエンコーダーを用いたAV1エンコードが可能になった他、スレッド処理の効率化に伴う動作高速化などの改善が盛り込まれています。

近年では画像生成や人間との対話などの特定分野で優れた能力を発揮するAIが注目を集めていますが、一部のAI開発者は人間のように言語や視覚、聴覚などさまざまな情報をまとめて処理できる「Artificial General Intelligence(AGI)／汎用(はんよう)人工知能」の開発を目標としています。新たにMicrosoftが、言語処理だけでなく画像や視覚的なコンテンツの認識にも優れ、図形を用いたIQテストにも回答できるマルチモーダルなAI「Kosmos-1」を発表しました。

Googleの画像管理サービス「Googleフォト」には、写真内の人物と背景を認識して背景だけを目立たない色に変化させる「カラーフォーカス」が搭載されています。カラーフォーカスは、従来はGoogle製スマートフォン「Pixel」シリーズでのみ利用可能だったのですが、2023年2月23日からは「Google One」加入者ならPixel以外のAndroidスマートフォンやiPhoneでも利用可能になったので、使い方や効果をまとめてみました。

AIの力を借りて部屋を夢のようなデザインに変えることができる「RoomGPT」を使い、リビングルームやロッカールームをおしゃれでモダンな見た目に変えてみました。