Tag
18 件の関連記事
Xiaopeng Zhang、Luzhe Sun、Yiqing Xu、Matthew R. Walterらの研究チームは10月22日(現地時間)、多視点シルエットから物理的に安定した3Dブロック構造を生成するフレームワーク「StackGen3D（スタックジェン3D）」を発表した。これは、与えられたブロックの在庫と3つの正投影シルエットに基づき、幾何学的曖昧さを解消しながら、オブジェクト間の物理的相互作用を考慮して構造を構築する新たな手法である。同研究は、学術論文データベースarXiv cs.CVで公開された。
arXiv cs.CVは2026年10月22日(現地時間)、Guantian Zheng氏らが、単一画像から関節結合型3Dオブジェクトを生成する新しい手法「MoRE (Motion-Regularized Encoding for Articulated 3D Generation)」に関する研究論文を発表した。この手法は、関節属性のエンコーディングが再構築時の動きを保持しないという課題に対応し、表現学習の段階で動きの規則化を導入する。
arXiv (アルファエックス) は2026年10月20日(現地時間)、研究者グループが汎用的な3D点群登録のための統一モデル「Register Anything Model (RAM)」を発表したことを報じた。このモデルは、既存手法が抱える特定のドメインへの特化による汎化能力の不足を克服し、センサーや環境を問わず、多様なドメインにわたり頑健に6自由度 (6-DoF) 変換を推定する能力を持つ。単一モデルで屋内、屋外、オブジェクトドメインといった幅広いデータに対応する。
暁暁・馬（Xiaoxiao Ma）氏らの研究チームは10月21日(現地時間)、オンライン学術論文公開サイトarXiv上で、オープンエンドな3Dワールドモデル「WorldStream」に関する論文を発表した。このモデルは、固定マップを超えるプレイ可能な地形の拡張、実行中のワールドにおけるオープンエンドな言語への対応、そして訪問した場所の編集内容を伴う復元という、三つの同時実行可能な能力を持つと説明されている。
arXivは2026年10月20日(現地時間)、任意の3Dリグに対応する動画と3Dモーションを共同で生成する新モデルを発表した。従来の動画生成モデルはピクセルレベルの動きのみを扱うため、3Dアセットのアニメーション化や3Dシーンでの再生に課題があった。新モデルはこれらの課題を解決し、モーションを物理的に整合性の取れた形でシーンに組み込むため、対象となるカメラ情報も併せて生成する特長を持つ。
arXivのcs.CVカテゴリーは10月13日(現地時間)、地球観測(EO)モデル開発に関する論文を公開した。Sijie Zhao氏ら9名の研究者が執筆し、汎用コーディングエージェントがEOモデルを構築し再帰的に自己改善する手法を提示。光学、合成開口レーダー(SAR)、マルチスペクトル時系列画像を含む4つのEOベンチマークで最先端技術を上回る精度を達成し、訓練ラベルの約1%でその大部分の精度を維持できるとした。
王欣哲 (Xinzhe Wang) 氏らは10月8日(現地時間)、論文投稿サイトarXiv cs.CVを通じて、フィードフォワード型視覚情報からの三次元再構成における課題を解決する新手法「MIRAGE」を発表した。この手法は、信頼性の高いメトリックスケールと長期的な軌道ドリフトの問題に対処し、高精度な位置推定と高忠実度なガウス再構成を同時に実現する。
arXiv cs.CVは2026年10月8日(現地時間)、カメラネイティブなステレオVR180データセット「A Camera-Native Stereo VR180 Dataset」を発表した。従来のVR180研究リソースがYouTubeなどのオンラインプラットフォームから収集され、加工済みでレンズキャリブレーション情報が不足している課題に対応する。Blackmagic URSA Cine Immersiveカメラ2台で直接収録されたこのデータセットは、高品質な研究用途での活用を目指す。
arXiv cs.CVは10月8日(現地時間)、眼鏡着用時の反射除去に特化した新たなマルチソースベンチマークデータセット「OcuBench (オキュベンチ)」と、これを活用する手法「OcuFlow (オキュフロー)」に関する研究論文を公開した。OcuBenchは合成ペア、リアル入力擬似ペア、実世界テスト画像を含む合計1万点以上のデータで構成され、既存データセットが抱えていた限定的な反射条件という課題に対応する。
arXiv cs.CVは10月8日(現地時間)、Hongxing Li氏らの研究チームが、VLM（Visual Language Model）エージェントの性能向上を目指す新たな視覚ネイティブなスキル学習フレームワーク「ViSkill」を提案する論文を公開した。このフレームワークは、従来のテキスト中心のアプローチが抱えていた幾何学的構造情報の損失という課題を克服。成功した相互作用を直接視覚スキルカードとしてエンコードすることで、スキル蓄積とポリシー改善の相互強化を実現する。
MatLoom は2026年9月30日(現地時間)、アンスン・Y・ラム (Anson Y. Lam) 氏、シュウキン・リ (Shuqing Li) 氏、マイケル・R・リュウ (Michael R. Lyu) 氏らがarXiv cs.CV に公開した論文で、事前学習済み言語モデルを用いたテキストからマテリアル生成のための、コンパクトなレイヤー指向言語として提案された。マテリアルの構築規則も生成する設計が特徴となる。
ジョンヒョン・キム (Jonghyun Kim)氏らは2026年9月9日(現地時間)、学術論文投稿サイトarXiv cs.CVで公開された論文「Single-Query Person-Centric Bimanual Hand-Object Interaction Detection」の中で、複数人物が関わる複雑なシーンにおいて、両手と物体の相互作用を検出する新たな手法を提案した。この「人物中心 (person-centric)」手法は、既存の「ハンド中心 (hand-centric)」アプローチで生じがちな手の所有権の曖昧さを解消し、単一のクエリで人物全体の構造、両手の動作、そしてインタラクション対象を識別することを可能にする。
スパルシュ・ガーグ氏らの研究チームは2026年8月19日(現地時間)、自動運転システムにおける交通事故の原因推論能力に関する研究を発表した。研究では、実世界の事故動画に注釈を付与したデータセット「CAViAR (Causal Accident Video and Incident Analysis Repository)」を導入。最新の視覚言語モデル（VLMs）が事故タイプや責任の推論において大幅な性能低下を示す「Perception-Reasoning Gap」が存在すると指摘した。
Appleは7月7日(現地時間)、ビジョン言語モデル (VLM) 向けの推論フレームワーク「LensVLM」を発表した。本フレームワークは、レンダリングされたテキストの視覚表現を圧縮しながらも、関連するコンテキストを選択的に拡張することで、テキスト認識の精度を維持する。これにより、高い圧縮率を維持しつつ、VLMの効率的な運用を可能にする新たなアプローチが提示された。
arXiv cs.CVは6月15日(現地時間)、論文を発表し、現在のビジョン言語モデル（VLM）の多言語評価が、言語と正書法の一対一マッピングを前提とし、複数スクリプト言語の利用者を考慮していない実態を指摘しました。この課題に対し、研究者らはパンジャビ語（Punjabi）の3つのスクリプトに対応する「PuMVR（パンジャビ・マルチモーダル・ビジュアル・リーズニング）」ベンチマークを導入。既存VLMの性能に最大16%の「スクリプト・ギャップ」が存在することを明らかにしました。
スタンフォードAIラボ (SAIL) は2026年6月3日(現地時間)よりコロラド州デンバーで開催されるコンピュータビジョンとパターン認識に関する国際会議「The Conference on Computer Vision and Pattern Recognition (CVPR) 2026」において、多数の研究成果を発表した。これには自己回帰型動画拡散モデルや制御可能な動画生成、小規模マルチモーダルモデルにおける知覚と推論のボトルネックに関する研究などが含まれる。
研究論文投稿サイトarXiv cs.CVは2026年5月14日(現地時間)付で、条件付きビデオデコーディング手法「RefDecoder (リフデコーダー)」に関する論文を公開した。本手法は、参照条件付きビデオVAEデコーダを活用することで、既存のビデオ生成モデルが抱える詳細の損失や入力画像との不整合といった課題の解決を図る。高忠実度の参照画像信号をデコードプロセスに直接注入し、生成品質の向上を通じて、よりリアルで一貫性のある視覚コンテンツの生成に寄与すると報告されている。
Appleは2026年5月(現地時間)、セマンティックに豊かな視覚表現を学習する新手法「Text-Conditional JEPA (TC-JEPA)」を発表した。この手法は、画像キャプションを用いて、既存のImage-based Joint-Embedding Predictive Architecture (I-JEPA) が持つマスク領域予測における視覚的不確実性を低減する。具体的には、細粒度テキストコンディショナーが入力トークンに対しスパースなクロスアテンションを計算し、予測パッチ特徴をテキストの関数として変調、予測可能にする。