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

近年は生成AIの発達により、一部のユーザーが絵画や文芸といった芸術作品の作成にAIを利用するようになっています。2026年1月に発表された研究論文では「AI生成画像を人間による作品と偽る」「人間による作品をAI生成画像と偽る」といった実験の結果、「どのように作られたか」という情報が人間の共感性に大きな影響を与えていることが確認されました。同様の傾向は文学作品でも確認されています。

サンフランシスコに拠点を置くStandard IntelligenceがAIモデル「FDM-1」を発表しました。FDM-1は1100万時間に及ぶ動画を学習しており、「世界初の汎用的なコンピューターアクションモデル」としてアピールされています。

Googleが画像生成AI「Nano Banana 2(Gemini 3.1 Flash Image)」をリリースしました。Nano Banana 2は、Nano Banana Pro(Gemini 3 Pro Image)の高度な機能をより幅広いユーザーが利用できるように設計されつつ、Nano Banana(Gemini 2.5 Flash Image)のように迅速な編集や反復作業が可能になっているのが特徴です。

画像を編集したいとき、PCであればPhotoshopやGIMPといった高機能アプリが存在しますが、スマートフォンで撮影した画像を加工しようとするとPCに送信しなければならずとても手軽とは言えません。かといってスマートフォンの中で完結させようとしても機能を大幅に制限したツールが多く歯がゆい思いをした人も多いと思います。そんな折、無料で利用できる上に非常に高機能なAndroidアプリ「Image Toolbox」の存在を耳にしたのでどんなものなのか実際に確認してみました。

AIで現実と遜色ない画像や動画を生成できるようになったため、「そのコンテンツは本物なのか」を見分けるのはこれまで以上に難しくなっています。こうしたコンテンツを見分けるAIサービスも存在するのですが、果たしてどれほど正確なのか、ニューヨーク・タイムズが12種類のAIサービスについて検証しています。

画像生成AIのFLUXシリーズで知られるBlack Forest Labsが、生成AIをトレーニングするための新たなアプローチ「Self-Supervised Flow Matching(Self-Flow)」を発表しました。Self-Flowは生成モデルを自己教師あり学習で効率的にトレーニングするための仕組みで、学習効率の大幅な向上や画像生成時のテキスト描画の向上などを実現しています。

動画生成AIモデル「LTX-2.3」が日本時間の2026年3月6日に登場しました。LTX-2.3はローカルで実行可能なオープンモデルとして公開されており、前世代モデルのLTX-2と比べて「プロンプト理解力向上」「画像から動画を生成する際の一貫性向上」「音声品質向上」といった機能強化が盛り込まれています。加えて、WindowsとmacOS向けのデスクトップアプリ「LTX Desktop」も公開されています。

Googleは、「Gemini 3」を搭載する「Chrome」ブラウザの大規模更新を発表した。常駐型サイドパネルを導入し、画像編集ツール「Nano Banana」の統合によりWeb上の画像を直接加工できるようにする。まずは、米国のWindows、macOS、Chromebook Plusユーザー向けに提供を開始した。

Googleは最新の画像生成AI「Nano Banana 2」を発表した。「Gemini 3.1 Flash」の知能を活用し、Web検索と連動した正確な図解生成や高度なテキスト描画が可能。従来は有料版限定だった機能が無料ユーザーにも開放され、4K解像度や最大14のオブジェクト制御に対応する。

ChatGPTを世に送り出した米OpenAIの「Sora 2」、中国発のKling O1とSeedance 2.0。話題の動画生成AIサービスに、同じ参照画像・同じプロンプトを与えて比較検証した。バイクシーン、雨中の格闘、スロー身体回転と条件を変えて見えてきたのは、各AIの得意・不得意と、映像制作の現場を根底から変えうる可能性だ。

ChatGPTを世に送り出した米OpenAIの「Sora 2」、中国発のKling O1とSeedance 2.0。話題の動画生成AIサービスに、同じ参照画像・同じプロンプトを与えて比較検証した。バイクシーン、雨中の格闘、スロー身体回転と条件を変えて見えてきたのは、各AIの得意・不得意と、映像制作の現場を根底から変えうる可能性だ。

AlibabaのAI研究チームであるQwen(Tongyi Lab)が画像生成AI「Qwen-Image-2.0」を2026年2月10日に発表しました。Qwen-Image-2.0はQwen-ImageとQwen-Image-Editを統合したモデルで、写実的な画像や文章を含む画像の生成を得意としています。

アメリカのボストンに拠点を置くGraylark Technologiesが開発した「GeoSpy」は、写真の撮影場所を瞬時に特定できるAIツールです。そんなGeoSpyが少なくとも2つの警察機関によって購入されていたことが、海外メディアの404 Mediaの調査によって明らかになりました。

錯視とは視覚系で発生する錯覚の一種であり、実際には存在しないものが見えたり実際とは異なるものが見えたりする現象のことを指します。錯視の発生するパターンについて多種多様なものが知られていますが、CSSを利用して様々な錯視を実体験できるサイトが「CSS Optical Illusions」です。

TikTokの開発元であるByteDanceや香港中文大学などの研究チームが画像生成AIモデル「BitDance」を2026年2月17日に公開しました。BitDanceは画像生成AIで主流な拡散モデルではなく自己回帰モデル(ARモデル)を採用しており、競合モデルと比べて高速かつ高品質な生成処理が可能とアピールされています。

2026年1月15日に登場した「Phone (3a) Lite」はNothing製スマートフォンのオシャレな外見は維持しつつ、性能を抑えたプロセッサーを採用することで4万2800円という低価格を実現しています。そんなPhone (3a) Liteは低価格スマートフォンながら背面に3個のカメラを搭載しており、そのうち1個はマクロカメラという珍しい構成をしています。カメラ性能がどれほどのものなのか検証するべく、実際にPhone (3a) Liteを屋外に持ち出していろいろ撮影してきました。

現代社会では至る所に監視カメラが設置されています。この監視カメラのうち、特定の企業が設置したものがアメリカ全土で破壊されていることが報じられています。

Microsoftが運営するビジネス用SNSのLinkedInには、ユーザーの身元が確認されていることを示す認証バッジが存在します。LinkedInの認証バッジを入手するにはパスポートなどの身分証明書や顔写真のデータが必要ですが、これらのLinkedInに提出したデータがどうなるのかを調べた結果が、テクノロジー系ブログのTHE LOCAL STACKで報告されました。

ビルやマンションの広告には、真新しい建物が太陽の光に照らされてキラキラと輝くようなイメージ画像が使われることがよくあります。しかし、こうしたイメージ画像はあくまでもレンダリングしたCGを合成した上で写真編集ソフトで加工したものであり、現実とはかけ離れていることも。そんなキラキラしたイメージ画像を「11月の雨が降った日に見る光景」に加工することで、AIでより現実的な画像に変換するアイデアを具現化したのが「AntiRender」です。

xAIが動画生成AI「Grok Imagine 1.0」を2026年2月2日にリリースしました。Grok Imagine 1.0は最大10秒の720p動画を生成可能です。

Xと統合されている生成AI「Grok」で性的画像が大量生成されている問題で、フランス・パリ検察庁がXのフランス事務所を家宅捜索しました。また、オーナーであるイーロン・マスク氏と前CEOのリンダ・ヤッカリーノ氏を召喚して事情を聞く予定であることもわかりました。

ミリ単位のエッジのコントロールやトリックの高さが求められるスキーやスノーボードのオリンピック代表を支えるために、GoogleがAIを活用して映像分析を行うトレーニングツールを構築したことを明らかにしました。

AIをトレーニングするには大量のデータセットが必要であり、データに含まれるコンテンツへのラベル付けは主に人間が行っています。イギリスの大手日刊紙・The Guardianが、インドに住む女性労働者がAIのトレーニングのために暴力や性的虐待などを含むコンテンツを大量に視聴させられている実態を報じました。

Google傘下の自動運転車開発企業、Waymoが、「超リアル」なシミュレーション環境を構築して自動運転モデルを訓練できるAIモデル「Waymo World Model」を発表しました。

ナンバープレートを認識して車両位置を追跡したり、防犯カメラ映像による監視を行ったり、AI支援による証拠検索を行ったりと、数々の防犯・犯罪対策ソリューションを提供しているFlock Safetyのギャレット・ラングレーCEOが、Flock Safetyの展開している監視カメラやナンバープレートリーダーの位置を特定する「Deflock」というプロジェクトを「テロ組織」と非難しています。

TikTokの運営企業として知られる中国大手テクノロジー企業のBytedanceが動画生成AI「Seedance 2.0」を発表しました。Seedance 2.0はテキストと画像と動画の入力に対応しており、複数カットを含む動画を生成したり画像や動画で細かく特徴を指定したりできます。

Googleが医療用途に特化したAIモデル「MedGemma 1.5 4B」と音声認識モデル「MedASR」を2026年1月13日に公開しました。MedGemma 1.5 4Bはローカルで動作可能な軽量モデルで、前世代よりも精度が向上しています。

アメリカ合衆国で放送される優れたテレビドラマや番組、テレビ業界の功績を表彰する「エミー賞」が2026年のルール変更を発表しました。新しいルールではAIについての内容が追加され、生成AIを使用した番組の応募について明文化されています。

Googleが動画生成AI「Veo 3.1」のアップデートを2026年1月13日に発表しました。参考画像を元に動画を作成する機能が改良されたほか、キャラクターの一貫性向上や4Kアップスケーリング機能の追加などが行われています。

中国のAI企業であるZ.aiが、オープンソースでありながら産業グレードのパフォーマンスを発揮する離散自己回帰画像生成モデルの「GLM-Image」を発表しました。GLM-Imageは自己回帰モデルと拡散モデルのハイブリッドとなっています。