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

2026年3月16日、NVIDIAが「コンピュータグラフィックスにおけるブレークスルー」と称してAIで映像のアップスケーリングを行う「DLSS 5」を発表しました。DLSS 5で加工した際のビフォーアフター映像も公開されているのですが、あまりにも加工しすぎだと指摘されています。

オープンソースマルチメディアフレームワーク「FFmpeg」のバージョン8.1となる「FFmpeg 8.1(コードネーム：Hoare)」が安定版として2026年3月16日に公開されました。このリリースは2025年8月に登場したバージョン8.0に続くアップデートで、開発チームは最新のgitマスターを使用していないすべてのユーザー、ディストリビューター、システムインテグレーターに対して、このバージョンへのアップグレードを推奨しています。

銃社会のアメリカでは頻繁に銃乱射事件が起きており、2026年3月にはテキサス州オースティンの繁華街で銃撃事件が発生して3人が死亡して10人以上が負傷したほか、バージニア州ノーフォークの大学では教室内で発砲事件があり1人が死亡して2人が負傷しました。そんな中、テキサス州に拠点を置くAngel ProtectionというAIスタートアップが、AIを使用して銃乱射事件を起こそうとする人間をいち早く特定する技術を発表しました。

動画生成技術は目覚ましい進化を遂げていますが、根幹を支えるVAE(Variational Autoencoder)の設計と訓練には依然として多くの困難が伴います。AIラボのLinumが画像と動画の両方に対応するVAEの開発に挑んだ過程で直面した課題や得られた貴重な知見について自社のブログにて詳細に解説していました。

ジャストシステムのワープロソフト「一太郎」は1985年からアップデートが続いているソフトですが、「一太郎というワープロソフトの存在は知っているけど、どんな機能があるのかは知らない」という人も多いはず。2026年2月6日に登場した一太郎2026ではAIで音声を文字起こしする「JUSTボイスライター」や、画像の顔を自動的に隠せる「プライバシーフィルター」などの便利機能が多数追加されました。実際に一太郎2026を使う機会を得られたので、まずはプライバシーフィルターの使い勝手を確かめてみました。

インターネット・ウォッチ財団(IWF)が2026年3月24日に公開した報告書において、AIによって生成された現実的な児童性的虐待の画像や動画がオンライン上で過去最高の水準に達していると警告しました。この報告書はAI生成コンテンツによる被害の実態を明らかにしており、安全性が確保されていないAIツールへの対策を求める公衆の声が高まっていることを示しています。

OpenAIがAI動画生成アプリの「Sora」を終了すると発表しました。これにより、ディズニーからのOpenAIへの10億ドル(約1600億円)の投資もとん挫することとなります。

Appleの研究チームが、既存のAIモデルよりもはるかに小さなサイズでより正確で詳細な画像の説明文を作成できるAIモデル「RubiCap」を開発しました。

TikTokの運営元であるByteDanceが2026年2月、新たな動画生成AIの「Dreamina Seedance 2.0」を発表しました。ハリウッドなどから著作権侵害が指摘される中、ByteDanceは動画編集ツールのCapCut上でDreamina Seedance 2.0の提供を開始しました。

AlibabaのAI研究チームであるQwen(Tongyi Lab)が「Qwen3.5-Omni」を2026年3月30日に発表しました。Qwen3.5-Omniはテキスト・画像・音声・動画の理解が可能なオムニモーダルモデルで、テキストだけでなく音声も生成することが可能。音声と映像の理解能力はGemini 3.1 Proを超えているとアピールされています。

OpenAIが提供している動画生成アプリ「Sora」は、発表からおよそ半年後の2026年3月にサービス終了が告知されました。伝えられるところによると、Soraには膨大なコストがかかっていたとのことです。

ほぼあらゆる視覚や音に人間の脳がどのように反応するかを予測するよう訓練された基盤モデルが「TRIBE v2」です。

Metaは2025年11月、画像や動画内のオブジェクトを検出・分割・識別するためのAIモデル「Meta Segment Anything Model 3(SAM 3)」を発表しました。現地時間の2026年3月27日、SAM 3の複数オブジェクトを追跡する能力を向上したバージョン「SAM 3.1」をMetaがリリースしました。

ニューヨークのメトロポリタン美術館が石棺や古代彫刻、大理石像、フィンセント・ファン・ゴッホの絵画など約140点の所蔵品の高精細3Dモデルをオンラインで公開しています。ブラウザだけで簡単に見られるということなので、実際に展示品をじっくりと観察してみました。

書類の写真や古文書の画像データを入力するだけでテキストデータとして文字起こしできるウェブアプリが「NDLOCR-Lite Web AI」です。NDLOCR-Lite Web AIは2026年2月に国立国会図書館のNDLラボが公開して話題となった「NDLOCR-Lite」の派生アプリで、インストール操作不要でウェブブラウザからアクセスするだけで使用可能。さらに、各種AIのAPIキーを登録することでAIを用いた校正作業も実行できます。

Googleが動画生成AI「Veo 3.1」の低価格API「Veo 3.1 Lite」を2026年3月31日にリリースしました。

Microsoftが自社開発のAI基盤モデルとして、音声生成モデルの「MAI-Voice-1」、音声認識モデルの「MAI-Transcribe-1」、画像生成モデルの「MAI-Image-2」を発表しました。

動画や画像ファイルの重複を検出するツールは数多くありますが、「ファイル名が一致する」・「ハッシュ値が一致する」など付加情報や完全一致でしか重複を判断できないケースがほとんどです。「Video Duplicate Finder」はファイルの形式や解像度が違ったり、透かしなど一部だけが加工されているような動画や画像でも、見た目の類似度から重複を検出できるオープンソースのツールです。

光と色を即座にバランスよく整えるGoogleフォトの「AI補正」機能が、世界中で利用可能になりました。

Meta Superintelligence Labsが開発した新しいAIモデル「Muse Spark」が2026年4月8日に発表されました。Muse Sparkは、個人向けスーパーインテリジェンスの実現を目指すMuseファミリーの第1弾モデルであり、Metaが自社のAI開発体制を根本から見直した最初の成果だと位置付けられています。

AI情報分析サイト「Artificial Analysis」の動画生成AI性能ランキングに「HappyHorse-1.0」という名前のモデルが登場し、GoogleやByteDanceなどの高性能モデルを抜いてランキング1位の座を獲得しました。

2026年4月に「HappyHorse-1.0」という名前の高性能動画モデルがランキングサイトに登場し、GoogleやByteDanceのモデルを上回って1位の座を獲得しました。このHappyHorse-1.0がAlibabaの研究チームによって開発されたものであることが明らかになりました。

医療分野ではマンモグラフィーやMRI、病理画像の読影補助にAIを使う動きが広がる一方で、科学系メディアであるLive Scienceが取り上げた新たなプレプリント研究では、こうしたAIが本当に画像を見て答えているとは限らないことを示す結果が報告されました。

DaVinci Resolveは無料で使える高機能動画編集アプリです。2026年4月14日にパブリックベータ版が登場した「DaVinci Resolve 21」では写真編集機能が追加され、クロップなどの基本的な編集に加えてAIを用いた各種補正機能などを実行できるようになりました。加えて、カメラとPCを接続して撮影するテザー撮影にも対応しています。

Microsoftが画像生成AI「MAI-Image-2-Efficient」を2026年4月14日に発表しました。MAI-Image-2-Efficientは競合モデルと比較して安価かつ高速な生成処理が可能だとアピールされています。

「ゲルニカ」はスペインの画家パブロ・ピカソが1937年に描いた絵画です。このゲルニカをブラウザ上で拡大してじっくり鑑賞することができる「Guernica Gigapíxel」を、ゲルニカを所蔵するスペインの首都マドリードにあるソフィア王妃芸術センターが公開しています。

中国企業のBaidu(百度)が画像生成AIモデル「ERNIE-Image」と「ERNIE-Image-Turbo」を2026年4月15日に公開しました。両モデルは誰でもダウンロードできる状態で公開されており、高品質なイラストや実写風画像を生成できます。

近年は画像編集や作成にAIを利用したアプリが多数ありますが、AIを利用して写真に写った女性の服を脱がせたり、女性の顔をポルノ動画に合成したりする有害なアプリも登場しています。こうした「Nudify(ヌード化)」アプリがAppleやGoogleの公式アプリストアで配布されており、検索システムや広告によってユーザーがヌード化アプリに誘導されているとのレポートを、IT業界の監視団体であるTech Transparency Project(TTP)が公開しました。

YouTubeやニコニコ動画、Huluといった1000を超える人気の動画配信サイトから動画をダウンロードできるAIツールが「VideoProc Converter AI」です。動画だけでなくライブ配信もダウンロード可能で、好みの動画を音声ファイルに変換して保存したり、低画質な動画を4K解像度に向上させたりすることもできます。そんなVideoProc Converter AIがGIGAZINEとのコラボキャンペーンで特別価格で提供されているので、実際に使ってみました。

国立国会図書館のNDLラボは、デジタル画像からテキストデータを作成できるOCRアプリ「NDLOCR-Lite」を公開しました。以前に公開していた「NDLOCR」の軽量版を目指して開発されており、一般的なPCでGPUを必要とせず使用可能です。