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

You-Getはウェブサイトから動画や画像、音楽形式のファイルをダウンロードできるシンプルなコマンドラインツールです。どれくらいシンプルに使用できるのか、実際にYouTubeとXから動画をダウンロードして確かめてみました。

日没前後および日の出前後に空がオレンジ色に染まる「ゴールデンアワー」や、日の出前と日の入り後に濃い青色に染まる「ブルーアワー」には印象深い写真を撮影できます。ブラウザからアクセスできる「Sunsethue」では、撮影したい場所を検索することでゴールデンアワーやブルーアワーの時間帯やどれくらいキレイに見ることができるかの品質を予測できます。

OpenAIがGPT-4oに高精度な画像生成機能「4o Image Generation」を組み込んだことを発表しました。4o Image GenerationはChatGPTやSoraで利用可能になっており、GPT-4oの知識を活用した画像生成や対話しながら成果物のクオリティを向上させる操作などが可能です。

多くの人々は幼少期から地図の読み取り方を身につけており、地下鉄構内の地図を見て目指す出口を探したり、遊園地の地図を見て乗りたいアトラクションへの行き方を調べたり、ロードマップを見て高速道路の入り口を見つけたりすることができます。「大規模視覚言語モデル(LVLM)も人間のように地図を読み取って適切なルートを見つけられるのか」という疑問に取り組むため、研究者らが「MapBench」という新たなベンチマークを考案しました。

オックスフォード大学の研究チームとMetaのAI研究部門が、画像から3D情報を取り出す新しいAIモデル「VGGT」を発表しました。従来の技術では、3D情報を得るために複雑な計算処理が必要でしたが、VGGTは一度の処理で画像から直接、カメラの位置や向き、物体の奥行き、3D空間での点の位置などを素早く計算できます。

2025年3月26日、OpenAIがGPT-4oによる高精度な画像生成機能「4o Image Generation」を発表しました。4o Image GenerationはチャットボットのChatGPTでも利用可能となっているのですが、これを使ったスタジオジブリ風のミーム画像が大量生成されており、改めてAIによる著作権侵害問題が浮き彫りになっています。

2025年3月26日、OpenAIはChatGPTで利用可能な高精度な画像生成機能として「4o Image Generation」を発表しました。この4o Image Generationの人気により、OpenAIのサーバーのGPUが溶けるほど過剰な負荷がかかっていると、同社のサム・アルトマンCEOが発言しています。

大規模なスポーツイベントや音楽イベントの様子を映像として記録する場合、会場のさまざまな場所に合計数十台～数百台のカメラを設置する必要があります。大量のカメラの色を合わせる方法について、プログラミング言語「Elixir」の公式ブログに解説記事が掲載されています。

カリフォルニア大学ロサンゼルス校の研究チームが、スタンフォード大学で2022年に開発された「CheXzero」というAIモデルによる疾患検出の精度を検証した結果、黒人や女性の患者における疾患の検出で偏りがあったと報告しています。

Microsoftが2025年3月31日に、これまでQualcommのSnapdragon Xシリーズ搭載デバイスでのみ利用できたCopilot＋ PCの便利なAI機能を、「AMD Ryzen AI 300」シリーズと「Intel Core Ultra 200V」シリーズを搭載したCopilot＋ PCでも利用可能にすることを発表しました。

2025年3月31日(月)に「iOS 18.4」「iPadOS 18.4」「macOS Sequoia 15.4」がリリースされました。これにより、Apple製AIアシスタント「Apple Intelligence」の日本語版がiPhoneやiPad、Macで利用可能になったので、実際に使ってみました。

2025年3月31日(月)に「iOS 18.4」「iPadOS 18.4」「macOS Sequoia 15.4」がリリースされ、Apple製AIアシスタント「Apple Intelligence」の日本語版がiPhoneやiPad、Macで利用可能になりました。Apple Intelligenceで使える「カメラに写った物の詳細をAIに聞ける機能」や「画像内の不要物を除去する機能」の使い方をまとめてみました。

OpenAIは現地時間の2025年3月25日、ChatGPTにGPT-4oを用いた高精度な画像生成機能「4o Image Generation」を追加しました。この新たな画像生成機能は世界中で大きな人気となり、リリースからわずか1週間で1億3000万人超が7億枚以上の画像を生成したとのことです。

2025年3月11日に、Googleによるアイトラッキング技術を専門とするカナダのスタートアップ「AdHawk Microsystems」の買収に向けた交渉が最終段階に入っていることが報じられました。買収額は1億1500万ドル(約170億円)にのぼるとのことです。

商品画像やポートレート写真、動物写真、イラスト素材、ロゴ画像などの背景をほぼ完璧に透過してしまうという、AIを活用したソフトウェアが「Aiarty Image Matting」です。32万枚の4K画像からなるデータセットでトレーニングされたAIモデルを使った高度な切り抜きが可能ということで、その実力を実際に使って確かめてみました。

カナダ・プリンスエドワード島のある住宅に設置されたドアベルカメラが、2024年7月に地球に飛来した隕石(いんせき)が落下する様子を捉えました。

建物や植生、建築物同士の距離などをもとに、写真に写っている場所がどこなのかを秒単位で高精度で予測する「GeoSpy」というAIツールが、法執行機関を対象として販売されていることをニュースサイト・404 Mediaが報じています。

アメリカ航空宇宙局(NASA)がハッブル宇宙望遠鏡を用いて、10年以上をかけて撮影してきたアンドロメダ銀河の画像600枚をつなぎ合わせて作成した42208×9870ピクセルものパノラマ写真を公開しました。

Blueskyはオープンなネットワークプロトコル「AT Protocol」をベースに開発されており、誰でも自由にサードパーティークライアントを開発することができます。「Atlas」はBluesky上に存在する画像付きポストの閲覧およびコレクション管理に特化しており、インスピレーションの共有などに役立つとのこと。面白そうだったので、Atlasのベータ版を使ってみました。

中国の大手IT企業であるTencentが、単一の画像やテキストのプロンプトから高精度の3Dアセットを生成するAIシステム「Hunyuan3D 2.0」を発表しました。「Hunyuan3D 2.0」のソースコードは、AIプラットフォームのHugging Faceでオープンソースとして公開されています。

Googleが2025年1月22日、ロンドンで開催されたヨーロッパ最大の教育テクノロジー見本市「Bett 2025」で、顔を動かしてデバイスを操作できるユーザー補助機能である「Face Control」をChromebookに統合することを発表しました。

AI開発プラットフォームのHugging Faceが、画像や短い動画、テキストを分析できるAIモデルとしては最小となる「SmolVLM-256M」「SmolVLM-500M」をリリースしました。Hugging Faceによれば、この2モデルはメモリが1GB未満のノートPCでも適切に動作するように設計されているとのことです。

2024年12月に発売したソニーのミラーレスカメラ「α1 II」は、「有効画素数約5010万画素」「AF追従しつつ秒間30コマで連写可能」「AI処理ユニットで被写体を自動認識して追尾」といった高度な機能を備えています。そんなα1 IIをソニーから借りられたので、まずは外観を細かくチェックしてみました。

開発者向けの生成メディアプラットフォーム「fal.ai」が、オープンソースの生成AI搭載動画編集ツール「AI Video Starting Kit」を公開しました。ウェブブラウザ上で動画生成AIモデルの操作が可能になり、その場で編集することが可能です。

QRコードは基本的に1つのデータしか保存できません。ところが、「角度によって異なるURLを読み取らせるQRコード」がインターネット上に投稿されて話題を呼んでいます。

中国のAIスタートアップであるDeepSeekが、独自の画像生成モデル「Janus Pro」を公開しました。Janus ProはOpenAIの画像生成AIであるDALL-E 3を上回る性能を持つとアピールされており、MITライセンスで公開されています。

Alibaba CloudのAI研究チームであるQwenが、視覚言語モデル「Qwen2.5 VL」をリリースしました。Qwen2.5 VLは画像に含まれる被写体の種類を認識したり文字を書き起こしたりできるだけでなく、PCやスマートフォンのUIを認識して自動操作することもできます。

Google DeepMindの研究チームが、画像の中から特定の視覚的要素や属性を抽出し、AIを使って複数枚の画像から抽出した要素を組み合わせ、自然な1枚の画像を生成する手法「TokenVerse」を発表しました。研究チームはウェブサイト上で、TokenVerseを使ってどのような画像が生成できるのかを解説しています。

AIはすさまじい勢いで発展しており、AIを研究分野で用いる動きも活発化しています。カリフォルニア大学サンタクルーズ校で歴史を研究しているベンジャミン・ブリーン氏は、OpenAI製AIの古文書解読能力の高さを絶賛しています。

Microsoftが2025年1月31日に、Windows Insider向けの更新プログラム「KB5050090」をリリースしました。このアップデートでは、Windowsの標準アプリ「ペイント」内に生成AI機能を手軽に使用するためのCopilotボタンが追加されました。