AI時短ラボ
検索

画像認識・コンピュータビジョンの記事

「画像認識・コンピュータビジョン」に関連するAIニュースと解説、22本。新しい順に並べています。

解除

画像認識・コンピュータビジョン の記事：22件

Baidu（バイドゥ）、長大な文書を一度に読むOCR「Unlimited-OCR 2（アンリミテッドOCR 2）」をMITライセンスで公開──約3B、文書が長くなっても遅延とメモリはほぼ一定とうたうの記事画像

Baidu（バイドゥ）、長大な文書を一度に読むOCR「Unlimited-OCR 2（アンリミテッドOCR 2）」をMITライセンスで公開　約3B、文書が長くなっても遅延とメモリはほぼ一定とうたう

モデル
Apple、数枚の画像から3D頭部アバターをリアルタイムで動かす手法GHARP（ガープ）を論文で公開──Ava-256で最高水準の品質、A100上で最大13倍高速・ガウシアン数は8分の1と著者らの記事画像

Apple、数枚の画像から3D頭部アバターをリアルタイムで動かす手法GHARP（ガープ）を論文で公開　Ava-256で最高水準の品質、A100上で最大13倍高速・ガウシアン数は8分の1と著者ら

研究
Ai2、衛星画像の埋め込みモデル「OlmoEarth v1.3」を公開──10m解像度の全球年次データと、登録不要をうたう探索ツールもの記事画像

Ai2、衛星画像の埋め込みモデル「OlmoEarth v1.3」を公開　10m解像度の全球年次データと、登録不要をうたう探索ツールも

モデル
Google DeepMind、世界の森林・土地を6タイプに10m単位で分類する地図ForTy（フォーティ）を公開──正解率90%（同社検証）、2017〜2025年の変化もEarth Engineで無料の記事画像

Google DeepMind、世界の森林・土地を6タイプに10m単位で分類する地図ForTy（フォーティ）を公開　正解率90%（同社検証）、2017〜2025年の変化もEarth Engineで無料

研究
AWS、TwelveLabsの動画言語モデル「Pegasus 1.5（ペガサス）」をAmazon Bedrockで提供──2時間までの動画から条件に合う区間をタイムスタンプ付きJSONで返す、提供リージョンは米国オレゴンの記事画像

AWS、TwelveLabsの動画言語モデル「Pegasus 1.5（ペガサス）」をAmazon Bedrockで提供　2時間までの動画から条件に合う区間をタイムスタンプ付きJSONで返す、提供リージョンは米国オレゴン

モデル
Black Forest Labsのオープン画像生成モデル FLUX.3 Image Klein（フラックス3 イメージ クライン）がDiffusers（ディフューザーズ）で初日から利用可能に──枠の座標で配置を指定、蒸留版はH100で1024×1024が1.93秒の記事画像

Black Forest Labsのオープン画像生成モデル FLUX.3 Image Klein（フラックス3 イメージ クライン）がDiffusers（ディフューザーズ）で初日から利用可能に　枠の座標で配置を指定、蒸留版はH100で1024×1024が1.93秒

モデル
NVIDIA、画像と動画も読む「Nemotron（ネモトロン）3.5 Super VL」を公開──120B・有効12B、公式グラフの首位は12項目中1つで速さはQwen3.5の2.34倍の記事画像

NVIDIA、画像と動画も読む「Nemotron（ネモトロン）3.5 Super VL」を公開　120B・有効12B、公式グラフの首位は12項目中1つで速さはQwen3.5の2.34倍

モデル
判定だけを返すAI「Jev」が1.14に──画像入力・位置を返す「Box」・26万トークンの長文を試験機能で追加、価格は据え置きの記事画像

判定だけを返すAI「Jev」が1.14に　画像入力・位置を返す「Box」・26万トークンの長文を試験機能で追加、価格は据え置き

モデル
濃紺の背景に重なった薄い板と「EmbeddingGemma 2」の文字

Google「EmbeddingGemma 2」公開　文字・画像・動画・音声を1つのベクトルにする7.4億パラメータのオープンモデル、手元のMacで日本語の検索を試した

モデル
H Company「NeoMME」──画像パッチとテキストを1つの双方向Transformerで処理する260M・800Mの多言語マルチモーダルエンコーダ（Apache 2.0）。事前学習の視覚塔も言語モデルも使わずマスク離散拡散でゼロから学習。文書検索版はViDoRe v3で260Mが0.523（ColQwen2.5の14分の1のパラメータ）、索引は1ページ1.5MB→6kB（255分の1）の記事画像

H Company「NeoMME」　画像パッチとテキストを1つの双方向Transformerで処理する260M・800Mの多言語マルチモーダルエンコーダ（Apache 2.0）。事前学習の視覚塔も言語モデルも使わずマスク離散拡散でゼロから学習。文書検索版はViDoRe v3で260Mが0.523（ColQwen2.5の14分の1のパラメータ）、索引は1ページ1.5MB→6kB（255分の1）

検証（発表 9月3日）
Google「LiteRT.js」──.tfliteモデルをブラウザで動かすJavaScript版LiteRT。TensorFlow.jsのJSカーネルでなくネイティブのランタイムをWebAssemblyで提供し、CPU（XNNPACK）・GPU（WebGPU）・NPU（WebNN）を使い分け。他のWebランタイム比で最大3倍、CPU比でGPU/NPUは5〜60倍の記事画像

Google「LiteRT.js」　.tfliteモデルをブラウザで動かすJavaScript版LiteRT。TensorFlow.jsのJSカーネルでなくネイティブのランタイムをWebAssemblyで提供し、CPU（XNNPACK）・GPU（WebGPU）・NPU（WebNN）を使い分け。他のWebランタイム比で最大3倍、CPU比でGPU/NPUは5〜60倍

検証（発表 7月9日）
Gemini「エージェント型の動画理解」──毎秒1フレームで丸ごと読む代わりに、必要な区間だけ探して見直す。トークン最大88%減・費用最大66%減・精度最大7%向上（Google DeepMind、3.7 Flash・3.6 Flash・3.5 Flash-Lite）。APIの設定を"agentic"にするだけ、追加料金なし。Geminiアプリと「Ask YouTube」にも順次の記事画像

Gemini「エージェント型の動画理解」　毎秒1フレームで丸ごと読む代わりに、必要な区間だけ探して見直す。トークン最大88%減・費用最大66%減・精度最大7%向上（Google DeepMind、3.7 Flash・3.6 Flash・3.5 Flash-Lite）。APIの設定を"agentic"にするだけ、追加料金なし。Geminiアプリと「Ask YouTube」にも順次

検証（発表 9月1日）
Tencentが文書解析AI「WeVisDoc」をオープンウェイト公開──OmniDocBench v1.6で95.38、end-to-end型パーサーの比較で首位と主張の記事画像

Tencentが文書解析AI「WeVisDoc」をオープンウェイト公開　OmniDocBench v1.6で95.38、end-to-end型パーサーの比較で首位と主張

モデル
Qwen3.8-27Bが公開──1枚のGPUに収まる密モデルで動画も読める、ダウンロード330万回・likes 1.3万で中国勢8月最多の記事画像

Qwen3.8-27Bが公開　1枚のGPUに収まる密モデルで動画も読める、ダウンロード330万回・likes 1.3万で中国勢8月最多

モデル
手話をテキストに変えるAI「SL2T」──Google DeepMindがPixel 11に載せた仕組みの記事画像

手話をテキストに変えるAI「SL2T」　Google DeepMindがPixel 11に載せた仕組み

プロダクト
Tencentが「画面を見て操作する」オープンウェイトAIエージェントを公開──OSWorld-Verifiedで77.0点、手元で動かせるcomputer useの選択肢の記事画像

Tencentが「画面を見て操作する」オープンウェイトAIエージェントを公開　OSWorld-Verifiedで77.0点、手元で動かせるcomputer useの選択肢

モデル
AIが2000年前の炭化した巻物を読む──Vesuvius Challengeは何をどこまで解読したかの記事画像

AIが2000年前の炭化した巻物を読む　Vesuvius Challengeは何をどこまで解読したか

研究
「空間知能」とは何か──Fei-Fei Liが掲げるAIの次のフロンティアの記事画像

「空間知能」とは何か　Fei-Fei Liが掲げるAIの次のフロンティア

研究
派手な発表の裏で静かに公開された中国勢3モデル──文書検索・マルチモーダル埋め込み・動画編集パイプライン【2026年8月】の記事画像

派手な発表の裏で静かに公開された中国勢3モデル　文書検索・マルチモーダル埋め込み・動画編集パイプライン【2026年8月】

モデル
動画生成AIの『記憶』をKVキャッシュの外に出す──Alaya-EVOKEはH200で1.5秒分の映像を2.11秒で作り続けるの記事画像

動画生成AIの『記憶』をKVキャッシュの外に出す　Alaya-EVOKEはH200で1.5秒分の映像を2.11秒で作り続ける

研究
動画生成AIの採点に「なぜそのスコアか」を残す──HarnessEval-Wはサブエージェントを分業させて評価の根拠を証拠の木にするの記事画像

動画生成AIの採点に「なぜそのスコアか」を残す　HarnessEval-Wはサブエージェントを分業させて評価の根拠を証拠の木にする

研究
DeepSeekがAPIの画像入力に初対応──V4-Flash-Vision-Exp公開、1画像最大384トークンで料金はFlash据え置きの記事画像

DeepSeekがAPIの画像入力に初対応　V4-Flash-Vision-Exp公開、1画像最大384トークンで料金はFlash据え置き

モデル

古い記事は月別アーカイブから ›