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

Metaが音声分離AI「SAM Audio」を公開しました。SAM Audioには音声や動画を入力可能で、「文章で指示して特定の音を抜き出す」「動画内の『音声を発している被写体』を指定して音声を抜き出す」「動画内の特定のタイミングで鳴っている音を指定して抜き出す」といった操作が可能です。

Black Forest Labsが画像生成AI「FLUX.2 [max]」をリリースしました。FLUX.2 [max]は低コストながらOpenAIのGPT Image 1.5やGoogleのNano Banana Proに近い性能を発揮します。

イギリスのブリストル出身の音楽ユニットであるマッシヴ・アタックが、コンサート中に顔認識技術を使って観客の顔をスキャンし、リアルタイムでステージ上のスクリーンに投影するパフォーマンスを行いました。このパフォーマンスは日常に浸透した顔認識技術への警鐘を鳴らすものであり、ファンの間でも物議を醸しています。

車のナンバープレートを撮影して識別する技術は「ALPR」と呼ばれており、日本でも駐車場の料金支払いなどに活用されています。ところがアメリカでは事情が少し異なり、ALPRを市民の動向追跡に用いようとする動きが現れています。ALPRによる市民追跡が議題に上がっている自治体を一覧化したウェブサイトが「alpr.watch」で、アメリカの事情をうかがい知ることができます。

AI開発企業のMistral AIが、スキャンしたドキュメントや手書き文字を認識してテキストデータに変換できるAIモデル「Mistral OCR 3」を発表しました。Mistral OCR 3の精度はエンタープライズ向けの文書処理ソリューションやAIを用いたOCRソリューションを上回り、読みにくい筆記体も認識できるとのことです。

コンピュータービジョンは自動運転車やスマートフォンなどさまざまな分野に活用されていますが、多くのデータセットは依然としてバイアスや多様性の欠如、倫理的に責任のある方法で収集されていない、つまりは被写体の同意なしに写真がAIトレーニングに利用されているなどの問題を抱えています。人間中心のコンピュータービジョンタスクにおける公平性を評価するために特別に構築された、多様性に富んだ、被写体の同意に基づいた初めての公開データセットが「Fair Human-Centric Image Benchmark(FHIBE)」です。

AI技術を活用して簡単にAI生成画像・荒い写真・圧縮されたJPEG画像からノイズを除去したり、ピンボケを補正したり、ロスレス拡大したり、高精細化したりすることができるというソフトウェアが「Aiarty Image Enhancer」です。Aiarty Image Enhancerを特価で購入できるコラボキャンペーン実施中ということで、実際にどんなことができるのか確かめてみました。

カメラアプリ「Photon Camera」や画像編集アプリ「Photon Enhance」を開発するLateNiteSoftが、複数のサンプル写真を用いて各種画像編集AIの性能を比較した結果を公開しました。

現地時間の2025年11月12日、スタンフォード人工知能研究所で所長を務めたコンピューターサイエンスの権威であるフェイフェイ・リ氏らが立ち上げたAI企業のWorld Labsが、独自のマルチモーダルワールドモデル「Marble」を発表しました。

写真・画像共有サービスのPinterestが、ユーザーの要望に応じて、生成AIコンテンツをジャンルごとに表示するかしないか制御できる機能を導入すると発表しました。

OpenAIは2025年10月16日に、ソーシャルアプリ「Sora」上でマーティン・ルーサー・キング・ジュニア牧師のディープフェイク動画の作成を一時停止したと発表しました。これは、キング牧師を題材にしたAI動画が大量に生成されたことに対し、キング牧師の遺産管理団体と遺族から苦情があったためです。

人間の排せつ物はさまざまな健康のバロメーターになることが知られており、排せつ物からユーザーの健康状態を管理するスマートトイレの開発も進められています。新たに、キッチン＆バス用品メーカーのKohlerが、トイレの便器に取り付けて排せつ物の写真を撮影できるカメラ「Dekoda」を発表しました。

DeepSeekが新しいマルチモーダルAIモデル「DeepSeek-OCR」をリリースしました。「OCR」は書類のスキャンなどに用いられる光学文字認識(Optical Character Recognition)のことで、トークンを大幅に削減しつつ、大規模で複雑なドキュメントを処理できるモデルだとのことです。

AI生成コンテンツが増加して、中には、「その人が言っていないことを、さも言っていたかのように見せかける」ような映像も生み出されていて、問題になっています。こうした問題に対処するため、YouTubeが以前から取り組んでいたクリエイター向けの肖像検出ツールを正式に展開することを発表しました。ツールを使うと、勝手に自分の顔を使っているコンテンツを検出して削除依頼を出すことができます。

画像生成AIの性能は「他のAIと比べてキレイな画像を生成できる」といった数値化しにくい形式で評価されることが多いです。「ImagenWorld」はウォータールー大学やComfy.orgの研究チームが開発したベンチマークで、各種AIに画像生成や画像編集などのタスクを課して性能を定量的に評価することができます。

Amazonが、配達する荷物のスキャンや届け先までのルート案内、配達証明の取得などを行える配達ドライバー向けのAI搭載スマートグラスを開発したと発表しました。Amazonはアメリカ・カナダの配達ドライバーを対象にこのメガネの試験運用を行っており、より広範囲に展開する前に技術を改良する予定としています。

テキスト単体、あるいはテキスト＋画像で5秒の動画を作成できるAIモデル「Ovi」が誕生しました。オープンソースで公開されており、自分で環境を構築すれば無料で使用することができます。

中国の大手テクノロジー企業であるテンセントが生成AIモデル「Hunyuan World 1.1(HunyuanWorld-Mirror)」を公開しました。HunyuanWorld-Mirrorは画像を元に深度を再現した3D空間を生成することが可能。さらに、単一の画像だけでなく複数のアングルからの画像や動画の入力にも対応しています。

Qwen3-VLの軽量版であるQwen3-VL-4BおよびQwen3-VL-8Bが公開されました。これらのモデルは、Qwen3-VLの全機能が保持されており、従来のモデルに比べて大幅にVRAM使用量を削減しつつ、Qwen2.5-VL-72Bに匹敵する性能を発揮するとのことで試しにローカルPCにインストールして使ってみました。

AMDが画像生成AI「Nitro-E」を2025年10月24日にリリースしました。Nitro-Eはパラメーター数304M(3億400万)の軽量モデルで、トレーニングと画像生成処理の高速化を実現しています。

画像生成AIの進歩は急速に進んでおり、すでに実写と見分けがつかない画像を誰でも簡単に生成できるようになっています。そんな中、カメラで撮影した本物の写真であることを証明できる仕組みを内蔵した「Roc Camera」が登場しました。

「GenAI Image Showdown」は複数の画像生成AIに同じプロンプトを入力した結果をまとめたウェブサイトで、どの画像生成AIがプロンプトに忠実な画像を生成できるのかを比較して評価することができます。さらに、画像生成ではなくテキスト指示での「編集」を行う場合、どれくらい指示を守って忠実に画像を修正するのかモデル別に比較することができるのが「GenAI Image Editing Showdown」です。

OPPOが「Find X9」と「Find X9 Pro」を2025年10月29日に発表しました。Find X9 ProはHasselbladと共同開発した200メガピクセル(2億画素)の望遠カメラを搭載しており、光学ズーム倍率を10倍に引き上げるテレコンバーターも用意されています。

現地時間の2025年10月28日、Adobeが世界最大のクリエイティブカンファレンスである「Adobe MAX 2025」を開催しました。Adobeは主力製品であるAdobe ExpressやAdobe Firefly、Adobe Photoshopといったソフトウェア全体に、AI機能やAIアシスタントを導入すると発表しています。

YouTubeはスマートフォンやPCなどさまざまなデバイスで視聴可能ですが、「テレビでの動画再生から6桁(数千万円)以上の収益を上げているYouTubeチャンネル」の数は前年比で45％以上増加しているそうです。この需要に合わせた「テレビを使っているユーザー」向けのアップデートを、YouTubeが発表しました。

Affinityが開発するデザインツール群はPhotoshopやIllustratorといったサブスクリプション型のAdobe製品と違って買い切り型のライセンスモデルを採用しており、Adobe製品からの乗り換え先として注目を集めていました。そんなAffinityのデザインツール群が「Affinity」という名称の単一アプリにまとまり、無料で使えるようになったことが発表されました。

Metaは2025年7月に、「成人向け映像約2396本を不正にダウンロードし、AIモデルのトレーニングに無断で用いた」として、アダルト映画制作会社から提訴されました。これに対しMetaは、「当該ダウンロードはAIのトレーニング目的ではなく、従業員やサイト利用者らによる私的な個人利用」だと主張し、AIのトレーニングに成人向けコンテンツを使用していないと反論しています。

OpenAIが開発した動画生成AI「Sora 2」はピカチュウやマリオなどの人気キャラクターを含む動画を簡単に作れてしまいます。この状況を受けて、一般社団法人コンテンツ海外流通促進機構(CODA)がOpenAIに対して要望書を提出しました。

OpenAIが動画生成AIアプリ「Sora」のAndroid版を2025年11月5日にリリースしました。日本からもダウンロード可能で、動画を生成したり世界中のユーザーが作成した動画を閲覧したりできます。

写真素材の有料配信を行っているストックフォトサービスの「Getty Images(ゲッティ・イメージズ)」が、画像生成AIの「Stable Diffusion」によって知的財産権が侵害されているとして起こした訴訟で、ロンドンの高等法院による判決が下りました。内容は、AIモデルによる著作権侵害の主張については「著作権侵害のコピーではない」と却下する一方、透かしに関する商標権侵害についての主張は認めるもので、Getty Imagesからも、Stabile Diffusionを運営するStability AIからも実質的な勝利宣言が出されています。