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

NVIDIAやマサチューセッツ工科大学(MIT)、精華大学の研究チームが、最大4096×4096の解像度の画像を数秒以内に生成できる画像生成AI「Sana」を発表しました。

あすけんの画像解析機能において、牛丼をグラノーラと誤認した──ユーザーのこんな報告をきっかけに、運営元のaskenが公式Xアカウントで機能の不備を“おわび”した。

OpenAIが新たなAIモデル「OpenAI o1」および「OpenAI o1-mini」を発表しました。段階的に推論を行う「思考の連鎖」テクニックを使用することで複雑な推論を正しく行えるようになり、数学オリンピックの予選で全米500位にランクインしたほか、物理学・生物学・化学の分野で人間の博士レベルの能力を持っているとのことです。

GoogleのAI研究部門であるGoogle DeepMindが、ロボットアームに複雑なタスクを学習させる手法を発表しました。発表された手法は人間の操作から学習する「ALOHA Unleashed」と物理シミュレーターでの学習をベースにした「DemoStart」の2種類で、それぞれ異なる手法でロボットアームにタスクを学習させられます。

2024年9月5日(木)に登場した「DJI Neo」は、バッテリー込みでわずか137gという軽量な機体ながら4K・30fpsでの録画が可能な高性能カメラを搭載しているのが特徴です。さらに、DJI Neoには「手のひらをかざすだけで着陸させられる機能」や「自動で被写体を追尾する機能」なども搭載されているので、各種便利機能を使ってみました。

パナソニックが2024年7月26日(金)にリリースしたミラーレス一眼カメラ「LUMIX DC-GH7」は、前モデルのGH6からダイナミックレンジが広がり、プロキシ記録やリアルタイムLUTも可能になったことで、動画撮影用のカメラとして大きく進化しました。そこで、GH7で追加された機能をいろいろと試してみました。

MrBeast(ミスタービースト)は2024年9月17日時点で3億1500万人以上のチャンネル登録者を抱える世界トップのYouTuberです。そんなMrBeastの制作チームに新たに加入した人向けの制作マニュアルが流出し、誰でも閲覧可能な状態となっています。

中国のインターネット規制を担当している中国サイバースペース管理局(CAC)が、「デジタルプラットフォームがAIによって生成されたすべてのコンテンツにラベル付けすることを義務づける計画」を発表しました。

Apple初の空間コンピューティングデバイス「Apple Vision Pro」は、Appleとしては初めてのMR(複合現実)に対応したヘッドセットです。税込60万円近くという高価格帯デバイスな一方で、「ロック解除用のパスコードを忘れると二度と起動できなくなる」「何もしていないのにガラスにヒビが入った」などの不具合も報告されていますが、Apple Vision Proでユーザーが文字を入力する際の目の動きを追跡する「GAZEploit」という攻撃が新たに発見されたと研究者が報告しています。

画像生成AIを用いてフェイク画像の拡散が問題になる中、画像内に画像の来歴を示すメタデータを埋め込む技術「C2PA」の規格策定が進んでいます。新たに、Googleが「C2PAの情報を読み取って画像の来歴を表示する機能」を開発中であることを発表しました。

イーロン・マスク氏が共同設立した脳に埋め込まれるブレイン・マシン・インターフェイスを開発するNeuralinkが、同社の開発する視力回復を目的とした実験的なインプラントである「Blindsight」で、アメリカ食品医薬品局(FDA)から「画期的デバイス」認定を取得したことを発表しました。

YouTubeが新機能を発表するイベント「Made on YouTube 2024」で、Google DeepMindの動画生成モデル「Veo」をYouTube Shortsに統合することを明らかにしました。これにより、クリエイターはより高品質な背景映像を生成したり、6秒間の独立したクリップを作成したりすることが可能になります。

複雑な推論を行えるOpenAIのモデル「o1-preview」では「思考の連鎖(chain of thought)」プロセスを挟むことで推論の精度を高めています。思考の連鎖プロセスの中身は非公開ですが、ユーザーの中には何とかして中身を出力させようとする人もいます。OpenAIがそうしたユーザーに対し警告を行っていることが明らかになりました。

光学機器メーカーのニコンが光学顕微鏡で撮影したムービーやタイムラプス写真に焦点を当てるコンテスト「Small World in Motion Competition」の2024年度受賞作品が発表されました。

警察がAIで生成した少女の画像を使い、性犯罪者を捕まえるおとり捜査を行っていると報じられました。捜査の過程で、オンラインコミュニケーションサービス「Snapchat」で不適切なモデレーションがあった可能性が浮上しています。

近年は感染症のパンデミックやリモートワークの普及により、ZoomやMicrosoft Teamsなどを利用したビデオ会議が一般的になりましたが、ビデオ会議は「videoconference fatigue(ビデオ会議疲労／Zoom疲れ)」と呼ばれる現象も引き起こしています。シンガポール・南洋理工大学の研究チームが実施した新たな研究により、ZOOM疲れを解消するための簡単な方法が明らかになりました。

山形大学ナスカ研究所とIBM研究所の共同研究プロジェクトが、AIを用いた6カ月間におよぶナスカでの現地調査により、新たに303個の地上絵を発見したと報告しています。これによりナスカ台地で確認済みの地上絵の数はほぼ倍増しました。

GoogleがGemini 1.5シリーズの性能強化版モデル「Gemini-1.5-Pro-002」と「Gemini-1.5-Flash-002」を発表しました。両モデルは強化前と比べて数学性能や視覚理解性能などが向上しているとのこと。また、Gemini 1.5 Proの値下げも発表されています。

映画「アバター」「タイタニック」「ターミネーター」の監督で知られるジェームズ・キャメロン氏が、画像生成AIのStable Diffusionを開発するStability AIの取締役に就任したことが2024年9月24日(火)に発表されました。

自分たちの書籍が同意なくAIのトレーニングに使われたとして、サラ・シルバーマン氏を含む3人の作家がOpenAIを訴えた裁判で、原告らが厳重な警備のもとでAIのトレーニングに使われた資料を精査することが認められたことがわかりました。

Googleはボットからのアクセスを防ぐためのシステムとして「reCAPTCHA」を提供しています。このreCAPTCHAのバージョン2(v2)を、AIで突破することに成功したと報告されました。

MetaがAIモデル「Llama 3.2」を2024年9月26日に発表しました。Llama 3.2には画像認識性能が向上した中規模モデルの「Llama 3.2 90B」と「Llama 3.2 11B」のほかに、スマートフォン上でのローカル動作に最適化された小規模モデル「Llama 3.2 3B」および「Llama 3.2 1B」もラインナップされています。

2024年9月25日、アレン人工知能研究所(Ai2)が新たなマルチモーダルAI「Molmo」をオープンソースでリリースしました。MolmoはOpenAIのGPT-4oやGoogleのGemini 1.5 Proといった、大手企業が開発した最先端のAIに匹敵する性能を持ちながら、モデルのサイズは約10分の1と非常に小さくなっています。ブラウザでMolmoの性能をチェックできるデモページも公開されていたので、実際に試してみました。

AI開発企業のOpenAIが、Moderation APIに新しいマルチモーダルモデレーションモデルを導入しました。このマルチモーダルモデレーションモデルはGPT-4oをベースとしており、テキストと画像の両方の入力をサポート。特に、英語以外の言語で以前のモデルよりも正確にモデレーションを実行してくれます。

iPhone 16の中身はiPhone 15と比べて進化していることがベンチマークの結果からわかりました。そして、サイズこそiPhone 15とほとんど変化はありませんが、iPhone 16は空間ビデオを撮影できるようにカメラが縦2列になり、さらに「カメラコントロール」という新しいボタンが追加されました。このカメラコントロールは果たしてどんなボタンなのかを使って確かめてみました。

大規模言語モデル(LLM)が自分の間違いを修正できるように開発されたトレーニング手法の「リフレクションチューニング」を用いてトレーニングされたオープンソースのLLM「Reflection 70B」が発表されました。

Adobeの生成AI機能群であるAdobe Fireflyに、間もなく動画生成機能の「Firefly Video」モデルが追加されることが明らかになりました。

画像生成AIの開発を手掛けるAI Picassoは、学習に対する透明性が高い画像生成AI「CommonArt β」を公開した。

卓越した画像・動画の理解能力を持つというAIモデル「Qwen2-VL」をAlibabaが発表しました。OpenAIの「GPT-4o」やAnthropicの「Claude 3.5-Sonnet」といった他社モデルと比較して上回る点が多くあり、すでに英語と中国語に加えて日本語や韓国語にも対応済み。無料でデモを試すこともできます。

Googleの写真管理サービス「Google フォト」には高度な検索機能が搭載されており、「食べ物」「海」「山」といった単語で検索することで膨大な写真ライブラリから目的の写真を探すことが可能です。この検索機能の強化アップデートが2024年9月5日(木)に実施され、自然な文章で条件を細かく指定して絞り込み検索できるようになりました。