Tag
6 件の関連記事
論文公開プラットフォームarXivは2026年7月23日(現地時間)、ヴェダント・シャー (Vedant Shah) 氏らが執筆した論文「GraphVid: Interactive Graph-Controllable Video Generation」を掲載した。テキストプロンプトやモーションコントロール入力で多オブジェクト間の正確な相互作用を指定する従来の動画生成の課題に対し、構造化されたインタラクショングラフを通じてインタラクティブな制御を可能にするグラフ条件付き画像-動画生成モデル「GraphVid」を提案。既存手法と比較して、より少ない学習データとパラメータで高い制御性と動画品質を実現したと報告している。
Xinyan Chen氏らの研究チームは7月9日(現地時間)、動画生成を通じて人工知能 (AI) の推論能力を向上させる新フレームワーク「オープンコフ (OpenCoF)」を発表した。OpenCoFは、推論特化型の動画データセット「OpenCoF-17K」と、このデータセットで訓練された動画モデル「Wan-CoF」で構成される。時系列に連結されたフレームから論理的帰結を導く「Chain-of-Frame (CoF) 推論」を実現し、AIのより高度な理解能力に貢献するという。
バイトダンス (ByteDance) は7月2日(現地時間)、次世代動画生成モデル「シーダンス2.5 (Seedance 2.5)」がまだ一般公開されていないことを明らかにした。同モデルは6月23日(現地時間)にボルケーノエンジン フォース (Volcano Engine FORCE) カンファレンスで披露されたが、現在はクローズドエンタープライズベータ版として提供されている。最大30秒間の動画生成やネイティブ4K解像度に対応し、既存モデルから大幅な機能向上を達成した。
ByteDanceは2026年6月23日(現地時間)、北京で開催されたVolcano Engine FORCE Conferenceで、動画生成モデル「Seedance 2.5」を発表した。本モデルはネイティブ4K解像度で30秒間の動画クリップを生成し、最大50のマルチモーダル参照入力を同時に受け付ける。エンタープライズベータ版はすでに提供されており、パブリックローンチは2026年7月上旬を目標としている。
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。
Ruozhen He氏、Meng Wei氏、Ziyan Yang氏、Vicente Ordonez氏らの研究者グループは2026年5月14日(現地時間)、長尺マルチショット動画生成におけるエンティティ（登場人物、オブジェクト、場所）の一貫性を評価する新ベンチマーク「EntityBench（エンティティベンチ）」を導入した。従来の評価手法が抱えるエンティティカバレッジの限定性や単純な一貫性メトリクスといった課題により、標準化された比較が困難な状況を打開する。研究者らは、この一貫性を向上させる記憶増強生成システム「EntityMem（エンティティメム）」も合わせて提案している。