Tag
17 件の関連記事
arXiv cs.CVは10月22日(現地時間)、コンピュータビジョン分野の主要課題であるPerspective-n-Point (PnP) 問題に対し、初のスケーラブルかつ証明可能な最適解を導出するソルバー「PnP*」を発表した。この新手法は、3次元-2次元対応点からカメラの姿勢を推定する際に、Maximum Likelihood Estimation (MLE) の大域的最適解を効率的かつ確実に保証する。既存のPnPソルバーに欠けていた証明可能性と実用的な速度を両立させ、コンピュータビジョン研究の新たな基盤を築く可能性を提示している。
Jiahan Li、Huangyuan Su、Shengbang Tongらの研究者らは2026年10月21日(現地時間)、事前学習済み表現空間における統一マルチモーダルモデリング「JUICE (Joint Unified multimodal modeling In Continuous Encoder spaces)」に関する研究論文を公開した。画像とテキストの非対称な扱いが主流であった既存モデルに対し、単一のプロセスで両モダリティを共同生成する手法を提案している。
Jingwen Huang氏らは2026年10月11日(現地時間)、長文のリモートセンシング視覚的質問応答 (Remote sensing visual question answering: RS-VQA) に対応するマルチエージェント推論フレームワーク「TerraAgent」に関する研究論文をarXiv上で公開した。画像証拠に真に依存した回答を生成する課題に対処するため、訓練不要のフレームワーク「AVA」を提案し、既存のリモートセンシングマルチモーダル大規模言語モデル (RS MLLMs) を3つのモジュールで拡張する。
アンドリュー・レニンジャー (Andrew Renninger) 氏の論文が9月23日(現地時間)に公開され、衛星基盤モデル「AlphaEarth」が都市間の区別を可能にする一方で、都市内の多様性を圧縮する傾向があることが明らかになりました。この研究は、162カ国の1,000の都市圏におけるモデルの埋め込み表現の幾何学と地理学を調査し、都市がハイパースフィア上で特定の領域を占めることなどを報告しています。
arXivは2026年9月24日(現地時間)、ユヤオ・リウ (Yuyao Liu) 氏らの研究チームが、単一の視覚的な人間によるデモンストレーションからロボットプログラムを生成、検証、改良する手法「RAPID (Robot Agentic Programming from Demonstrations)」を発表したと伝えた。複雑なプログラミング問題を解決するコーディングエージェントの可能性をロボットシステムに応用することを目指す。
イマド・アリ・シャー (Imad Ali Shah) 氏らの研究チームは2026年9月13日(現地時間)、論文「HSI-Road Relabeled: Surface-Aware Road-Scene Segmentation」をarXiv cs.CVで公開した。本研究は、既存のHSI-Roadデータセットに表面レベルのラベルを追加し、路面シーンのセマンティックセグメンテーションにおける課題解決を目指す。具体的には、手動でラベル付けされた6クラスの分類法とRGB-to-NIRレジストレーションパイプラインを導入し、複数のセマンティックセグメンテーションモデル (SSM) を評価した。
ランジット・ラウト (Ranjit Raut) 氏らは9月2日(現地時間)、手書き文字認識 (HCR) の性能向上と多言語対応を目指す新たなアーキテクチャ「GraphemeNet (グラフェムネット)」に関する研究論文を学術系プレプリントサーバーarXivで発表した。既存モデルがストローク構造を暗黙的に学習するのに対し、GraphemeNetはスクリプトの幾何学的規則性を明示的に組み込む「Structural-prior efficiency」の原則に基づき、より正確かつ少ないパラメータで動作する。
Lulu Xie氏らの研究チームは9月2日(現地時間)、デジタル本人確認システム向けの新たな文書生成器「IDSpace」を発表した。オンラインサービスにおけるリモートユーザー本人確認の需要が高まる中、機密性の高い本人確認書類の評価データ不足が課題となっており、合成データ生成の重要性が指摘されている。IDSpaceはこの課題解決に向けた進展となるもので、arXiv cs.CVが同日付で技術報告書を公開した。
Apple ML Researchは2026年8月(現地時間)、リライタブルな3Dアセット生成手法「ルーチェ (Luce)」を発表した。このルーチェは、高忠実度で単一画像からの3D生成を可能にするため、幾何形状とPBR (Physically Based Rendering) マテリアルを、ボクセル化されたマルチモーダルなガウシアンクラウド内で統一する。専用のガウシアンプリミティブを用いて各モダリティを表現することで、既存手法を上回る品質を実現する。
arXiv cs.CV は7月21日(現地時間)、ジェネレーティブ画像生成における領域制御に新たな手法を導入する論文を公開した。この論文によると、Diffusion Transformers (DiTs) に「appearance pointers」と呼ばれる機能を導入することで、テキストプロンプトのみでは困難だったマテリアルやオブジェクトの識別、空間配置といった要素の正確な領域制御が可能になる。これにより、クリエイティブ分野の専門家が求める高精度な領域制御の課題解決を目指す。
Appleは2026年7月20日(現地時間)、タイムスタンプを考慮した長尺動画要約の評価用ベンチマーク「LVSum」を発表した。マルチモーダル大規模言語モデル（MLLM）における長尺動画要約の課題に対処するために開発されたもので、13の多様なドメインにわたる72本の動画と、各動画に最大10個の人間が生成した要約で構成される。本ベンチマークは、現在のMLLMが持つ時間的整合性やクロスモーダル一貫性における体系的な弱点を明らかにし、今後のモデル開発の方向性を示唆するものと見られる。
arXiv cs.CVは7月10日(現地時間)、イーミン・チャン（Yiming Zhang）らの研究チームが、言語知能を対象としたスケーラブルな視覚事前学習の有効性を示す論文を発表した。同研究は、大規模基盤モデルの学習において、テキストのみのアプローチでは見落とされがちな視覚情報を活用することで、より効率的かつ高性能な学習経路が存在する可能性を提示する。
Apple ML Researchは2026年7月(現地時間)、動画の高次元ピクセルデータを粗密な可変長トークンシーケンスにマッピングする新しいトークン化手法「VideoFlexTok (ビデオフレックストーク)」を発表した。この技術は、従来の3Dグリッドトークン化が抱える高い学習複雑性を克服し、効率的な下流モデリングを可能にすることで、特に長尺動画の処理における計算コスト削減に貢献する。
Jiazheng Xing氏らの研究チームは5月29日(現地時間)、ビデオ統一モデル向けの新たなフレームワーク「ルーモス・ネクサス（Lumos-Nexus）」を提案した。同フレームワークは、推論駆動型の生成能力を向上させつつ、視覚的忠実度を大幅に強化することを目的としている。大規模な高忠実度ジェネレーターを既存のトレーニングループに統合する際に生じる計算上の課題に対し、独創的な解決策を提供する。
Kaixin Zhu氏らの研究グループは5月14日(現地時間)、テキスト指示で3Dシーンを直接編集するフィードフォワードフレームワーク「VGGT-Edit」をarXiv cs.CVで公開した。同フレームワークは、深度同期型テキスト注入 (depth-synchronized text injection) と呼ぶ機構を核に、テキストのセマンティック情報と3D姿勢情報を同期。従来の2Dリフティング (2D-lifting) 手法が抱えていたテクスチャのぼやけ、マルチビュー不整合、処理遅延という三課題を解消したと報告している。
Chenyu Lian氏らは5月14日(現地時間)、疾患スクリーニング向けフレームワーク「EviScreen」をarXiv cs.CVで発表した。既存の医療画像診断モデルが抱える解釈性の低さや性能不足に対し、過去症例から領域レベルの証拠を用いる証拠推論アプローチを導入。臨床レベルのリコールを維持しつつ特異度を顕著に高め、リアルワールドの疾患スクリーニングにおいて優れた性能と客観的な解釈可能性を実現したと報告されている。
Apple Machine Learning Researchは2026年5月(現地時間)、知覚品質と実行速度の双方を最適化する実用的な学習型画像コーデックに関する包括的な研究成果を発表した。この研究では、主要なモデリング選択肢を詳細に検討し、新たなコーデックを構築。従来のコーデックだけでなく、既存の学習型コーデックと比較しても、大幅な圧縮性能の向上と高速な処理能力を実現している。特に、iPhone 17 Pro Maxにおいては12メガピクセル画像のエンコードを230ミリ秒、デコードを150ミリ秒で完了できる性能を示しており、モバイルデバイスにおける高画質コンテンツの処理に新たな可能性を開くものと期待される。