Tag
8 件の関連記事
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。