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

ソニーが、ユーザーのゲームプレイを分析して特別な瞬間を切り出しコラージュ画像を作成するAIシステムの特許を取得したことが分かりました。

ディスプレイ内蔵型のスマートグラス「Meta Ray-Ban Display」に指の動きで文字を入力できる「ニューラル手書き入力」や「ディスプレイ録画機能」などの新たな機能を追加するとMetaが発表しました。

CircleStone Labsが画像生成AIモデル「Anima-Base」を2026年5月15日に公開しました。Animaは2026年1月からプレビュー版が公開されていたモデルで、「タグと自然言語の両方でプロントを記入できる」「SDXL系モデルやIllustrious系モデルと比べてプロント追従性が高い」といった特徴を備えていることからプレビュー版の段階から大きな注目を集めていました。正式版が公開されたので実際にComfyUIで画像を生成する手順やプロンプトのコツなどをまとめてみました。

動画生成AIのRunwayが日本本社として東京オフィスを開設することを発表しました。Runwayによると初期投資として4000万ドル(約63億3900万円)を投じており、日本市場での事業を推し進める「日本事業責任者」を採用するとのことです。

AI開発企業のBlack Forest Labsが、画像の外側を描き足して拡張する「アウトペインティング」を画像生成AIのFLUX.2で可能にする「FLUX Outpainting」を発表しました。FLUX OutpaintingはAPI経由で利用可能です。

NVIDIAの研究チームが26億パラメータのオープンソースワールドモデル「SANA-WM」を発表しました。SANA-WMは720p解像度で最長1分間の動画を生成できるモデルで、カメラの動きも精密に制御できる点が特徴です。ワールドモデルとは現実世界や仮想空間の構造、視点の移動、物体の見え方の変化などをAI内部で予測し、映像として作り出すモデルのことです。

キュートな動物でわちゃわちゃ格闘するパーティアクションゲーム「Party Animals」はSteamで累計1万7000件以上の最高評価を獲得するなど人気を博していました。しかし、開発元のRecreate Gamesが「Party Animals」のキャラクターを元にしたAI生成動画のコンテストを告知したところ、多くのバッシングが集まりRecreate Gamesは謝罪した上でコンテストの開催についてユーザーの意見を募りました。

GoogleのAI研究開発部門であるGoogle DeepMindがGeminiの新しいモデルファミリーとして、動画をはじめとしたあらゆる入力から様々なものを作り出すことができる新しいマルチモーダル生成モデル「Gemini Omni」を発表しました。その第1弾としてGemini Omni FlashがGeminiアプリ・Google Flow・YouTube Shortsで順次提供されます。

YouTubeが2026年5月19日に開催されたGoogleの年次開発者会議「Google I/O 2026」に合わせて、対話型検索「Ask YouTube」、YouTubeショートのリミックス機能やYouTube Createアプリへのマルチモーダル生成AIGemini Omniの対応を発表しました。

AIの性能を測るベンチマークにはさまざまなものがありますが、その中でも少し変わっているのがソフトウェア開発者のサイモン・ウィリソン氏が使っている「自転車に乗ったペリカンを描かせる」というテスト。PyCon US 2026の5分間ライトニングトークで、ウィリソン氏はGemini 3.1 ProやQwen3.6-35B-A3Bなどによる「自転車に乗ったペリカン」の生成結果を報告しています。

スターバックスが2025年夏に北米地区で導入を開始した「AI在庫管理ツール」の廃止を決めました。導入からわずか9カ月のあいだに、ラベルの読み間違いや数え間違いといったミスが多発していました。

画像生成AI「FLUX」の開発元であるBlack Forest Labsが画像内の不要物を削除できるAIツール「Erase」を発表しました。

動画生成AIサービスを展開するRunwayが動画編集AI「Aleph 2.0」と動画編集ツール「Edit Studio」をリリースしました。Aleph 2.0では1080p・30秒の動画を編集可能で、編集したい部分だけを的確に変更することが可能。また、1フレームの編集済み画像を入力するだけで動画全体に編集を適用することもできます。

NVIDIAのAI研究チームが動画生成AIモデル「LongLive-2.0」を公開しました。LongLive-2.0はリアルタイム生成および長時間にわたる一貫した動画生成を目的として開発されたモデルで、NVFP4での量子化を念頭に設計することで省メモリかつ高精度な動画生成を実現しています。

Appleが機械学習を使用した画像圧縮コーデック「PICO」を発表しました。PICOはAV1、AV2、VVC、ECM、JPEG-AIと比べて、最大3分の1のデータ量で同品質の画像を実現可能です。さらに、既存の有力な学習型コーデックと比べても20％から40％のビットレート削減を実現したとされています。

ディズニーランドの入り口に設置された顔認証技術が来園者のプライバシーを侵害したとして、ウォルト・ディズニー・カンパニーが集団訴訟に直面しました。

NVIDIAの研究チームが、ベクトル的な潜在表現を高解像度画像へ直接変換する「PiD(Pixel diffusion Decoder)」を発表しました。PiDは、低解像度でデコードしてから超解像する従来のカスケード処理を置き換え、低遅延と高い視覚品質の両立を目指す技術です。

Microsoftが画像生成AI「MAI-Image-2.5」を2026年5月26日に発表しました。MAI-Image-2.5は第三者機関の「Arena」によって世界3位の性能と評価されています。

Googleが画像生成AI「Nano Banana 2」と「Nano Banana Pro」の正式リリースを発表しました。Gemini APIをプログラムから使うためのサンプルコードも公開されています。

NVIDIAが高速かつ高精度なオブジェクト検出が可能なAIモデル「LocateAnything」を公開しました。LocateAnythingは写真やスクリーンショットに含まれるオブジェクトを高速検出することが可能で、ロボットやPC自動操作などの分野で活用されることが期待されています。

AI生成画像にはGeminiのように見える透かしが入る場合だけでなく、SynthID・C2PA・EXIFなどの見えない情報が埋め込まれており、偽情報対策やコンテンツ管理の手段として使われています。こうした可視・不可視のAI透かしを処理できる無料のオープンソースツール「Remove-AI-Watermarks」が公開されています。

NVIDIAが日本時間の2026年6月1日にフィジカルAIの基盤モデル群「Cosmos 3」を発表しました。Cosmos 3はロボットや自動運転での活用を目的としたモデル群で、画像生成モデル「Cosmos3-Super-Text2Image」と動画生成モデル「Cosmos3-Super-Image2Video」はオープンモデルとして最高性能を達成しています。

AI企業のIdeogramが画像生成AI「Ideogram 4.0」を2026年6月3日にオープンモデルとして公開しました。Ideogram 4.0はローカルで実行できるオープンモデルでありながら第三者機関のテストではGoogleのNano Banana Proを超える性能と評価されています。

銃乱射事件の生存者である10代の若者が、学校で導入されていたAI銃検知システムの製造元を訴えました。

日本時間の2026年6月9日(火)午前2時から開催されているAppleの年次開発者会議「WWDC26」の基調講演で、Appleの画像生成AIが大幅強化されて高品質生成や画像編集が可能になることが発表されました。

現地時間2026年2月28日にイスラエルがイランへ先制攻撃を実施し、首都テヘラン中心部を爆撃した際に、イランの最高指導者アリ・ハメネイ師が死亡しています。この攻撃について、ハメネイ師と側近らが会談する場所と日時を、交通監視カメラにハッキングすることでイスラエル諜報機関が特定していたとされています。これを受けてロシアの治安機関は、ウラジーミル・プーチン大統領とその側近を保護するための特別な監視システムの一部を停止したことが関係者の証言により明らかになりました。

アメリカ・ノースカロライナ州シャーロット在住のジャリル・リチャードソン氏は、AIによる顔認識技術によって、自身が犯していない自動車窃盗の容疑で誤認逮捕されました。同氏は数カ月間拘留された後、訴訟を取り下げてもらうことに成功したものの、その間に職を失い、家を失い、2人の子どもの親権まで失っています。

AI開発企業のZyphraが視覚言語モデル(VLM)の「Zamba2-VL」を公開しました。Zamba2-VLは同規模モデルと比べて高速な画像認識処理が可能です。

Appleは2015年10月13日に登場したiMacで従来のsRGBより広い色域を表示できるP3対応ディスプレイを採用しました。広色域ディスプレイではAdobe RGBがよく知られているにもかかわらずなぜAppleがDCI-P3系の色空間を採用したのかを、写真や色管理を扱うサイト「Astramael」が2015年10月19日に公開した記事で実写サンプルや色域図を使って分析しています。

NVIDIAの研究チームがゲームアニメーションやロボット制御向けのモーション生成フレームワーク「MotionBricks」を発表しました。MotionBricksは35万件超のモーションスキルを単一のニューラルバックボーンで扱い、1万5000FPSのスループットと2ミリ秒のレイテンシを達成したとされています。