MLinfo | 機械学習・AI論文まとめ

netdata — The fastest path to AI-powered full stack observability, even for lean teams.

netdataは、チームに関係なくAIパワーで全システム観察できる最速のパスを提供している。

用途: 全システム観察
難易度: Easy
コスト: Medium

streamlit — Streamlit — A faster way to build and share data apps.

streamlitはStreamlitライブラリを使って、データアプリを作成・共有することができる。

用途: データアプリ作成
難易度: Easy
コスト: Medium

コンピュータビジョン物体検出分類セグメンテーション画像

label-studio — Label Studio is a multi-type data labeling and annotation tool with standardized output format

データラベル化と注釈化を行うためのツールです。

用途: データラベル化ツール
難易度: Easy
コスト: Low

unsloth — Local UI to run and train LLMs and diffusion models. Supports GGUF, MLX, Qwen3.8, DeepSeek-V4, MiniMax-H3, Gemma 4, FLUX and more.

Unsloth Studioは、オープンモデルのトレーニングと実行を支援するWebUIです。このライブラリは、Gemma4、Qwen3.5などのオープンモデルのテストとトレーニングを支援するために使われます。

自然言語処理大規模言語モデル生成画像テキスト

用途: オープンモデルのトレーニングと実行
難易度: Easy
コスト: High

深層学習Transformer画像テキストマルチモーダル

sglang — SGLang is a high-performance serving framework for large language models and multimodal models.

SGLangは、大規模言語モデルのサービングフレームワークです。このライブラリは、高性能なサービスフレームワークで、大規模言語モデルのサービングをサポートしています。

用途: 大規模言語モデルのサービングフレームワーク
難易度: Easy
コスト: High

remove-ai-watermarks — Remove visible and invisible AI watermarks and provenance metadata from images and video. Python library and CLI for SynthID, C2PA, EXIF, IPTC, XMP, and common generative-AI marks.

音声認識、声活動検出、テキスト処理などを行う、基盤となる音声認識ツールキットを提供する。

自然言語処理大規模言語モデル生成画像動画

用途: 音声認識の基盤技術の提供
難易度: Easy
コスト: High

LightX2V — Lightweight Image Video Action Generation Inference Framework

zenmlは、データパイプラインからエージェントまで、AIプラットフォームです。

深層学習軽量化・量子化生成画像動画

用途: AI推論を軽量化したインフラ
難易度: Easy
コスト: High

表形式向き自然言語処理大規模言語モデル画像テキスト表形式

unstructured — Convert documents to structured data effortlessly. Unstructured is open-source ETL solution for transforming complex documents into clean, structured formats for language models. Visit our website to learn more about our enterprise grade Platform product for production grade workflows, partitioning, enrichments, chunking and embedding.

ドキュメントを構造化するために使えるオープンソースのETLソリューション。

用途: ドキュメントの構造化
難易度: Easy
コスト: High

コンピュータビジョン物体検出分類検出セグメンテーション

ultralytics — Ultralytics YOLO26, YOLO11, YOLOv8 — object detection, instance segmentation, semantic segmentation, image classification, pose estimation, object tracking

ultralyticsはYOLO(You Only Look Once)の技術を使用したオブジェクト検出ライブラリで、高い精度を提供している。

用途: オブジェクト検出
難易度: Easy
コスト: Low

コンピュータビジョン物体検出分類検出セグメンテーション

supervision — We write your reusable computer vision tools. 💜

supervisionは、機械学習技術を活用して、ユーザー独自のコンピュータビジョンツールを作成することができる。

用途: オリジナルコンピュータビジョンツール
難易度: Easy
コスト: High

gradio — Build and share delightful machine learning apps, all in Python. 🌟 Star to support our work!

Pythonでマシンラーニングアプリを作成・共有することができるライブラリです。

強化学習方策勾配 (PPO / A3C)画像

用途: マシンラーニングアプリ作成
難易度: Easy
コスト: Medium

qdrant — Qdrant - High-performance, massive-scale Vector Database and Vector Search Engine for the next generation of AI. Also available in the cloud https://cloud.qdrant.io/

このリポジトリでは、データとAIアルゴリズムを製品化するためのプラットフォームであるTaipyを提供しています。

自然言語処理埋め込み・検索生成画像

用途: AIアプリケーションを製品化するためのプラットフォーム
難易度: Easy
コスト: Low

opencv — Open Source Computer Vision Library

このリポジトリでは、64MパラメータのGPTを完全にTrainingし、2時間以内に完成させる手法を提供します。

深層学習画像

用途: 大モデル 2時間で完全にTraining
難易度: Easy
コスト: High

diffusers — 🤗 Diffusers: State-of-the-art diffusion models for image, video, and audio generation in PyTorch.

.diffusion モデルのライブラリ。画像・動画・音声生成に利用可能。

生成AI拡散モデル生成画像テキスト

用途: 画像・動画・音声生成
難易度: Easy
コスト: High

netron — Visualizer for neural network, deep learning and machine learning models

神経ネットワークの可視化に利用できるツール。深層学習・機械学習モデルも可視化可能。

MLOpsモデルデプロイ画像

用途: 神経ネットワーク可視化
難易度: Easy
コスト: Medium

awesome-datascience — :memo: An awesome Data Science repository to learn and apply for real world problems.

データサイエンスの学習には役立つリポジトリ。実世界の問題に応じた学習が可能。

深層学習画像

用途: データサイエンス学習
難易度: Easy
コスト: Medium

品質予測/異常検知コンピュータビジョンセグメンテーション分類検出画像

cvat — Computer Vision Annotation Tool (CVAT) is a leading platform for building high-quality visual datasets for vision AI. It offers open-source, cloud, and enterprise products, as well as labeling services, for image, video, and 3D annotation with AI-assisted labeling, quality assurance, team collaboration, analytics, and developer APIs.

CVATは、機械学習用の業界標準のデータエンジンです。さまざまなスケールのチームが使用し、さまざまなスケールのデータに対応しています。

用途: データのラベル付けと管理
難易度: Easy
コスト: High

コンピュータビジョンセグメンテーション分類画像動画

labelme — Image annotation with Python. Supports polygon, rectangle, circle, line, point, and AI-assisted annotation.

イメージを注釈するツール。ポリゴン、長方形、円、線、点などを注釈することができる。

用途: イメージ注釈
難易度: Easy
コスト: High

Meshroom — Node-based Visual Programming Toolbox

ノードベースのビジュアルプログラミングツールです。

コンピュータビジョン3D・点群画像テキスト3D

用途: ビジュアルプログラミングツール
難易度: Easy
コスト: High

rerun — Visualize, query, and stream to train on multimodal robotics data.

データをロギング・ストーリング・クエリして視覚化できるSDKです。

コンピュータビジョンマルチモーダル画像

用途: データロギングおよび視覚化
難易度: Easy
コスト: High

品質予測/異常検知機械学習教師あり学習分類検出画像

fiftyone — Refine high-quality datasets and visual AI models

FiftyOneは、データセットの精査とAIモデル可視化を支援するライブラリです。このライブラリは、データセットの品質を高め、AIモデルを可視化するのを支援するために使用できます。

用途: データセットの精査とAIモデル可視化
難易度: Easy
コスト: Low

Sana — SANA: Efficient High-Resolution Image Synthesis with Linear Diffusion Transformer

SANAは、高解像度画像生成モデルSANAを紹介する本研究であり、低計算コストで優れた高解像度画像を生成できる。

用途: 高解像度画像合成
難易度: Easy
コスト: High

weaviate — Weaviate is an open-source vector database that stores both objects and vectors, allowing for the combination of vector search with structured filtering with the fault tolerance and scalability of a cloud-native database.

ベクトル検索と構造化されたフィルタリングを組み合わせたベクターデータベースです。

MLOps生成画像

用途: ベクターデータベース
難易度: Easy
コスト: Medium

aim — Aim 💫 — An easy-to-use & supercharged open-source experiment tracker.

skypilotは、AIワークロードを任意のAIインフラストラクチャで実行、管理、スケールさせることができるプラットフォームです。

MLOps実験管理画像

用途: AIワークフローの管理
難易度: Easy
コスト: Medium

deepinv — DeepInverse: a PyTorch library for solving imaging inverse problems using deep learning

ピラミードライブラリを使ったイメージインバース問題の解決に使えるライブラリです。

生成AI拡散モデル画像自己教師

用途: イメージインバース問題の解決
難易度: Easy
コスト: High

pytorch-image-models — The largest collection of PyTorch image encoders / backbones. Including train, eval, inference, export scripts, and pretrained weights -- ResNet, ResNeXT, EfficientNet, NFNet, Vision Transformer (ViT), MobileNetV4, MobileNet-V3 & V2, RegNet, DPN, CSPNet, Swin Transformer, MaxViT, CoAtNet, ConvNeXt, and more

PyTorchで使用できる画像エンコーダとバックボーンの最大のコレクションです。トレーニング、評価、推論など様々なスクリプトや事前の重み付きデータが含まれます。

深層学習Transformer分類画像

用途: PyTorchで使用できる画像エンコーダとバックボーン
難易度: Easy
コスト: High

表形式向き深層学習Transformer分類検出画像

presidio — An open-source framework for detecting, redacting, masking, and anonymizing sensitive data (PII) across text, images, and structured data. Supports NLP, pattern matching, and customizable pipelines.

presidioは、テキスト、画像、構造化データを含む敏感データを検出、削除、マスク、アノニマイズするオープンソースフレームワークです。自然言語処理、パターンマッチング、カスタマイズ可能なパイプラインをサポートします。

用途: データのプライバシーを保護する
難易度: Easy
コスト: Low

smile — Statistical Machine Intelligence & Learning Engine

マシン学習、統計学習などに関する統計的エンジンです。

自然言語処理大規模言語モデル分類回帰画像

用途: 統計的マシン学習エンジン
難易度: Easy
コスト: High

センサ/時系列深層学習Transformer分類生成予測

NOAH: Learning the Full Patient Journey. A Longitudinal Multimodal Time-Aware Model for Representation and Forecasting

The digitization of healthcare has generated vast, longitudinal, and multimodal patient records over a lifetim

用途: 分類
難易度: Hard
コスト: High

PlayTrain: An Efficient Reinforcement Learning Framework for LLM-Generated Adaptable JavaScript Games

While many video-game environments (VGEs) have played crucial roles in advancing reinforcement learning (RL),

深層学習軽量化・量子化生成画像テキスト

用途: 生成
難易度: Hard
コスト: High

コンピュータビジョンセグメンテーション画像テキスト

The BatchNorm Illusion: Diagnosing Normalization Artifacts in Machine Unlearning Evaluation

Approximate machine unlearning aims to remove the influence of specific training data from a trained model wit

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Charts Are Beyond Pixels: Probing for Layer-Wise Chart Understanding and Editing

Charts are structured visual compositions whose elements have distinct functional roles, semantic corresponden

自然言語処理RAG画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Low

Certified Topological Interaction in Neural Representations: Class Disentanglement Is Mostly Pairwise

Class disentanglement (the separation of a representation's class-conditional point clouds along depth and ove

深層学習正規化・最適化手法画像テキスト3D

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Temporal State Transport in Video Generation: Diagnosing and Correcting Spectral Imbalance

Reliable video generation requires more than high-quality frames to form a coherent story: a model must mainta

品質予測/異常検知自然言語処理RAG生成画像動画

用途: 生成
難易度: Hard
コスト: High

表形式向き深層学習軽量化・量子化画像テキスト表形式

When Topology Betrays Privacy: Lattice-Based Reconstruction Attacks on Secure Aggregation in Decentralized Federated Learning

Secure Aggregation (SA) is widely regarded as a strong defense against model-update leakage in Federated Learn

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

CoVeR: Coverage-Based Token Pruning for Multi-View 3D Reasoning in VLMs

Representing a 3D scene as multi-view images allows 2D VLMs to reason in 3D by reusing priors from pre-trainin

深層学習軽量化・量子化画像3D

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

EMBLEM: Enhancing Multi-script Table Detection through Masking

Table detection is a core task in document analysis, supporting downstream applications such as information re

自然言語処理ファインチューニング検出QA検索

用途: 検出
難易度: Hard
コスト: High

品質予測/異常検知深層学習軽量化・量子化生成埋め込み画像

Revisiting Spectral Representations in Generative Diffusion Models

Diffusion models have shown remarkable performance on diverse generation tasks. Recent work finds that imposin

用途: 生成
難易度: Hard
コスト: High

ActionSplice: In-Flight Action Editing for Interactive World Models

Chunk-autoregressive video world models typically condition each generated chunk on one action. An action rece

深層学習軽量化・量子化画像動画

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知コンピュータビジョンセグメンテーション生成画像

DRIFT: Removing Diffusion Watermarks by Deflecting the Generative Trajectory

Diffusion watermarking embeds verifiable signals into the generative process and commonly verifies them by rec

用途: 生成
難易度: Hard
コスト: High

コンピュータビジョンセグメンテーション生成画像テキスト

Geodesic-informed Generative Diffusion Model For Topology-preserved Image Video Generation

Generative diffusion models have emerged as a class of powerful techniques for various imaging applications, i

用途: 生成
難易度: Hard
コスト: High

DISEIL: Demonstration Distillation for Sample-Efficient Imitation Learning

A robot that can be taught a new task from a handful of demonstrations has to work out for itself what it stil

深層学習軽量化・量子化画像テキストマルチモーダル

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Marigold V2: Revisiting Diffusion Transformers for Monocular Depth Estimation

Monocular depth estimation is a ubiquitous yet highly ill-posed computer vision task, with downstream applicat

深層学習Transformer生成回帰異常検知

用途: 生成
難易度: Hard
コスト: High

Canonical Color as a Lens into Concept Decodability in Vision Encoders and VLMs

Visual encoders construct a representation of the image input for Vision-Language models. How much conceptual,

コンピュータビジョンマルチモーダル画像テキスト

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

センサ/時系列深層学習Transformer生成画像マルチモーダル

DeCAL: Towards Physically-Grounded Dexterous Vision-Language-Action Models via Contact-Aware Latent Co-Imagination

Dexterous manipulation involves contact-rich and fine-grained interactions with the physical world, posing sig

用途: 生成
難易度: Hard
コスト: High

説明可能自然言語処理埋め込み・検索検出セグメンテーション画像

GoDeep: Annotation-Free Open-Vocabulary 3D Scene Understanding via Language-Space Lifting

Open vocabulary 3D semantic segmentation methods typically lift CLIP features into 3D. This embeds points in a

用途: 検出
難易度: Hard
コスト: High

Kairos: A Dataset for Fine-Grained Video-Language Modeling over Space, Time, and Dynamics

Many emerging video language modeling tasks require systems to move beyond clip-level abstraction and model vi

コンピュータビジョン動画認識生成埋め込み画像

用途: 生成
難易度: Hard
コスト: High

TriCCOT: Tri-part Convolutional Conformal Transformer for Onboard Space Object Detection

Onboard object detection in Earth observation is constrained by limited computational resources and the absenc

深層学習Transformer分類検出画像

用途: 分類
難易度: Hard
コスト: Low

コンピュータビジョンセグメンテーション検出予測画像

From Where to How: Continuous 4D Interaction Forecasting from Egocentric Video

Egocentric 4D interaction forecasting aims to anticipate both where future interactions will occur in 3D and h

用途: 検出
難易度: Hard
コスト: High

CLAMP: Constrained Decoding for Vision-Language Embodied Planning

Embodied planning increasingly relies on vision-language models (VLMs) to translate instructions and visual ob

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

AirAnchor: Bridging Local and Global Spatial Information for Zero-Shot Aerial Vision-and-Language Navigation

Aerial Vision-and-Language Navigation requires drones to follow natural-language instructions and navigate thr

自然言語処理プロンプトエンジニアリング画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

自然言語処理大規模言語モデル画像テキストマルチモーダル

Towards Embodied Air-Ground Cooperative Object Search: Benchmark, Dataset and Agentic Method

Air-Ground Object Search (AGOS) in urban environments is a challenging embodied task, which requires an Unmann

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Noise Adaptive Streaming Audio-Visual Speech Token Enhancement for Robust Full-Duplex Spoken Dialogue Models

Full-duplex spoken dialogue systems enable simultaneous listening and speaking, but their audio-only perceptio

自然言語処理大規模言語モデル画像音声動画

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

コンピュータビジョンセグメンテーション分類検出画像

Segment Any Motion with Radar: Robust Multimodal Moving-Object Segmentation and Tracking

Moving-object perception must decide which image regions correspond to real motion and keep every instance ide

用途: 分類
難易度: Hard
コスト: High

RoboCousin: Build Your Own Simulation Playground for Robust Bimanual Robotic Manipulation

Bimanual manipulation policies require large and diverse training datasets, yet collecting demonstrations on p

深層学習軽量化・量子化生成画像

用途: 生成
難易度: Hard
コスト: High

FPicker: Topology-Guided Evolution for Filament Tracing in Low-SNR Microscopy

Automating filament tracing in Cryo-Electron Microscopy (Cryo-EM) is essential for 3D helical reconstruction b

深層学習Transformer検出画像テキスト

用途: 検出
難易度: Hard
コスト: High

品質予測/異常検知自然言語処理大規模言語モデル画像テキスト

ACEA: An Adversarial Co-Evolution Arena for Head-to-Head Red-Team and Blue-Team LLM Testing

Automated red-team attacks and blue-team defenses for large language models (LLMs) are advancing quickly. Howe

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

CALIPER: Clean Scenes Cannot Rank Physical Inference in Pretrained Visual Representations

How far a pushed object slides depends on its mass and friction, which no single image reveals. Pretrained vis

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

CS-CLIP: Compositional Scene Graph-guided CLIP for Robust Compositional Reasoning

Vision-language models (VLMs) demonstrate strong performance across compositional reasoning benchmarks, which

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

3DWay: Generalizing Robot Manipulation via 3D Consistent Waypoints

Intermediate representations are key to bridging the modality gap between generalizable manipulation policies

コンピュータビジョン3D・点群画像テキスト3D

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Bridging the Semantic-Utility Gap in Multimodal RAG via Generator-in-the-Loop Alignment

Vision-language models (VLMs) augmented with retrieval-augmented generation (RAG) benefit from access to exter

用途: 生成
難易度: Hard
コスト: High

Dual-Layer Semantic-Spatial Belief Mapping for Aerial Object Goal Navigation

Aerial Object Goal Navigation (ObjectNav) requires an unmanned aerial vehicle (UAV) to locate a described targ

自然言語処理RAG画像テキストマルチモーダル

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

RevalExo: A Functional Daily-Activity Benchmark for Inertial and Visual Locomotion Mode Recognition in Older Adults and Clinical Cohorts

Assistive devices for people with mobility impairments, such as powered exoskeletons, rely on accurate locomot

深層学習Transformer分類画像動画

用途: 分類
難易度: Hard
コスト: High

品質予測/異常検知コンピュータビジョンマルチモーダル生成画像テキスト

Studying Image Tokenizers as Visual Languages in Unified Multimodal Models

Image tokenizers define the ``visual language'' of unified multimodal models, yet are commonly studied through

用途: 生成
難易度: Hard
コスト: High

Evolution of Multimodal Question Answering: From Modality-Adaptive Extraction to Unified Language Representation

The rapid growth of multimodal data has intensified the need for question answering (QA) systems capable of re

コンピュータビジョンマルチモーダル生成QA画像

用途: 生成
難易度: Hard
コスト: High

センサ/時系列自然言語処理大規模言語モデル検出生成QA

From Coordinates to Candidate Regions: Temporal Change Localization via Region Selection in Remote Sensing Multimodal LLMs

Remote sensing multimodal large language models (RS-MLLMs) have advanced scene understanding and visual questi

用途: 検出
難易度: Hard
コスト: High

SyncWorld: Visual Calibration Enables World Models as Zero-Shot Simulators

World models are increasingly used as policy-in-the-loop imagination environments, where reliable rollouts req

自然言語処理RAG画像テキスト

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Point4D: Long-range 4D Motion Reconstruction

We introduce Point4D, a feed-forward model for 4D reconstruction of long-range video sequences. Point4D is abl

コンピュータビジョン3D・点群画像動画3D

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知深層学習軽量化・量子化生成画像動画

Mask Forcing: Improving Autoregressive Video Diffusion Distillation via Dual-Noise Masking Rollout

Autoregressive (AR) video diffusion models have shown great potential in real-time video generation. Recent me

用途: 生成
難易度: Hard
コスト: High

"World Knowledge" in the Weights: Reading Concept Circuits of Vision Transformers

Vision transformers (ViTs) have achieved remarkable generalization across visual domains, yet little is known

説明可能深層学習Transformer画像

用途: 技術検証・論文読解補助
難易度: Easy
コスト: Low

Task-driven Processing with Coarse-to-Fine Glimpse-based Active Perception

State-of-the-art vision models process images in their entirety, lacking the ability to selectively zoom in on

深層学習軽量化・量子化検出画像

用途: 検出
難易度: Hard
コスト: Low

PIC: Revisiting INR for Image Coding with Fast Encoding and Sub-Millisecond Decoding

Implicit neural representation (INR) has achieved remarkable progress in novel view synthesis and image/video

コンピュータビジョン生成画像動画

用途: 生成
難易度: Hard
コスト: High

Spheriverse: 3D Scene Understanding from Spherical Observations in the Wild

Spherical observations provide global visual context for 3D scene understanding. However, visual information i

コンピュータビジョン物体検出検出画像テキスト

用途: 検出
難易度: Hard
コスト: High

DXPR: Depth-Based Vision-LiDAR Cross-Modal Place Recognition Using Vision Foundation Models

We present DXPR, a depth-based cross-modal place recognition (CMPR) framework that uses vision foundation mode

センサ/時系列機械学習時系列分類画像3D

用途: 分類
難易度: Hard
コスト: High

Prior-free relative 6D pose estimation of multiple object instances

Object 6D pose estimation formulations have progressively reduced reliance on object-specific priors, evolving

自然言語処理RAG画像3Dマルチモーダル

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

説明可能コンピュータビジョンマルチモーダルQA画像動画

EgoSIS: From Factorized Visual Ego-Transitions to Motion-Canonical Spatial Evidence for UAV Reasoning

UAV video question answering requires separating camera motion from changes in the scene, but RGB-only multimo

用途: QA
難易度: Hard
コスト: High

CoSA: Correlation-Guided Change A ttention with Learnable Residual Gating for Remote Sensing Change Detection

Pixel-level annotation of fixed traffic-camera imagery is expensive, while crosswalk models trained from stree

センサ/時系列深層学習CNN検出画像

用途: 検出
難易度: Hard
コスト: High

DSE-VTG: Dual-Side Enhancement for Training-Free Video Temporal Grounding

Text-guided Video Temporal Grounding (VTG) aims to localize the relevant segments in an untrimmed video based

深層学習軽量化・量子化画像テキスト動画

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知コンピュータビジョン物体検出検出画像テキスト

FIRE3D: Feed-forward Interactive 3D Scene Reconstruction Within A Minute

We present FIRE3D, a unified framework that takes a single RGB image or casual RGB video and transforms it int

用途: 検出
難易度: Hard
コスト: High

Leveraging Visual and Geometric Priors for Metric-scale and Complete Vehicle Gaussian Reconstruction from Limited Views

High-fidelity vehicle assets are essential for controllable traffic scene generation, particularly for synthes

自然言語処理RAG生成画像3D

用途: 生成
難易度: Hard
コスト: High

コンピュータビジョンセグメンテーション検出画像マルチモーダル

Evaluation Principles for MRI-MRA Registration in Trigeminal Neuralgia: An ROI-Centered Neurovascular Benchmark

Preoperative evaluation of trigeminal neuralgia (TN) often requires joint interpretation of structural MRI, wh

用途: 検出
難易度: Hard
コスト: High

説明可能センサ/時系列深層学習Transformer画像

Interpretable Hyperspectral Unmixing Framework with Fixed Endmember Prior and Structured Residual Refinement

Hyperspectral unmixing decomposes mixed pixels into material endmembers and their abundances from contiguous s

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

AXS-Net: Interpretable Deep Unfolding for Hyperspectral Image Denoising via Spectral Basis Unmixing and Structured Noise Refinement

Hyperspectral images (HSIs) are often degraded by mixed noise, including band-dependent Gaussian perturbations

説明可能深層学習軽量化・量子化画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Compensating for Scarce Historical Images in Cross-Domain Cultural Heritage Retrieval Using Synthetic Aging

Cultural heritage collections often contain contemporary and historical visual records of the same physical ob

深層学習CNN画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

CVT-GS: Learning to Simplify 3D Gaussian Splatting with Centroidal Voronoi Tessellation

While 3D Gaussian Splatting (3DGS) has emerged as a powerful representation for real-time novel view synthesis

深層学習軽量化・量子化生成画像3D

用途: 生成
難易度: Hard
コスト: High

Inverse Digital Marbling: Recovering Gesture Programs with a Replay Adjoint

Pigment deposition in paper marbling displaces the pattern already present, coupling the appearance of each ge

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Enhancing Table Structure Recognition via Bounding Box Guidance

Table Structure Recognition (TSR) aims to extract the bounding boxes of cells and table structure (e.g., HTML)

コンピュータビジョン物体検出分類検出生成

用途: 分類
難易度: Hard
コスト: High

自然言語処理プロンプトエンジニアリング生成セグメンテーション画像

MorphoOrgaAgent: A Foundation-Model-Based Multi-Agent System for Autonomous Organoid Analysis

Organoids are three-dimensional tissue models whose morphology provides important insights into tumor developm

用途: 生成
難易度: Easy
コスト: Medium

品質予測/異常検知深層学習Transformerセグメンテーション画像テキスト

CoordFormer: Give Me Any Coordinates and I Will Give You Labels

Semantic segmentation on very-high-resolution images remains challenging due to the high computational cost an

用途: セグメンテーション
難易度: Hard
コスト: Low

センサ/時系列深層学習軽量化・量子化検出画像テキスト

MFVINS: Multiple Fisheye Camera-Based Visual Inertial System

A simultaneous localization and mapping (SLAM) method using a monocular camera and a low-cost inertial measure

用途: 検出
難易度: Hard
コスト: High

Effects of model architecture and learning strategies on deep learning-based recognition of activated sludge microscopic images and comparison with quantitative image analysis

Microscopic image analysis has long been recognized as a promising approach for monitoring activated sludge. I

深層学習Transformer分類画像自己教師

用途: 分類
難易度: Hard
コスト: High

Layer Selection in VLMs for Zero-Shot OOD Detection via Multi-Resolution Entropy Estimation

Out-of-distribution (OOD) detection is crucial for safe deployment of medical AI systems, where domain shifts

深層学習軽量化・量子化検出異常検知画像

用途: 検出
難易度: Hard
コスト: High

品質予測/異常検知深層学習Transformer生成画像動画

SignRefine: Adapting Foundational Video Models for Sign Language Generation

Sign language video generation demands precise hand and facial articulation, yet modern video diffusion models

用途: 生成
難易度: Hard
コスト: High

AURORA: Active Uncertainty-Driven Re-Orientation for In-Hand Reconstruction

Observing objects grasped by a robot hand is challenging due to severe visual occlusions. Although in-hand man

品質予測/異常検知深層学習軽量化・量子化画像3D

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

VeriScene: Reconstructing Crime Scenes from Legal Evidence via World-Model Agent

World models take multimodal inputs like text, photos, and diagrams to generate dynamic scenes in accordance w

自然言語処理大規模言語モデル画像テキスト動画

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

EdMCGS: Event-Driven Markov Chain Gaussian Splatting for Extreme-Low-Frame-Rate Dynamic Scene Reconstruction

We present EdMCGS (Event-driven Markov chain Gaussian Splatting), an end-to-end method for reconstructing dyna

コンピュータビジョンセグメンテーション画像3D

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Do Input-Level Defenses Transfer to Observation-Level Attacks on VideoLLMs?

Video Large Language Models (VideoLLMs) are increasingly deployed in safety-critical applications such as cont

深層学習軽量化・量子化検出画像テキスト

用途: 検出
難易度: Hard
コスト: High

Supervised Cross-Modal Feature Alignment for Zero-Wearable Freezing of Gait Detection in Parkinsonism

Objective assessment of Freezing of Gait (FoG) in Parkinson's disease (PD) relies predominantly on wearable In

センサ/時系列深層学習軽量化・量子化分類検出画像

用途: 分類
難易度: Hard
コスト: High

品質予測/異常検知自然言語処理大規模言語モデル分類検出生成

From Glance to Scrutiny: Progressive Distortion Reasoning for Fine-Grained Image Quality Assessment

Multi-modal large language models (MLLMs) have demonstrated significant potential in image quality assessment

用途: 分類
難易度: Hard
コスト: High

品質予測/異常検知自然言語処理大規模言語モデル検出生成画像

Human-Centric Image Captioning with Subject-Centered Spatial Understanding

While multimodal large language models (MLLMs) achieve remarkable performance on generic image captioning, the

用途: 検出
難易度: Hard
コスト: High

深層学習Transformerセグメンテーション画像テキスト

MARS-CLIP: Multi-Resolution and Attention Refined Zero-Shot Image Segmentation

Contrastive Language-Image Pre-training (CLIP) has demonstrated impressive capabilities in zero-shot transfer

用途: セグメンテーション
難易度: Hard
コスト: High

コンピュータビジョンセグメンテーション生成画像テキスト

Dreaming in Flow: Generative Grounding Feedback for Self-Evolving Unified Multimodal Models

Unified multimodal models integrate visual understanding and generation within a single network, yet the two c

用途: 生成
難易度: Hard
コスト: High

SAM3-O2D2: Zero-Shot Object Out-of-Distribution Detection by Object Class Prompting of the SAM3-Image Model

Object detectors have shown remarkable performance in various fields, among these medical imaging, surveillanc

深層学習軽量化・量子化検出異常検知画像

用途: 検出
難易度: Hard
コスト: High

SoftRerank: Hierarchical Soft Fusion with Candidate-Label Reranking for Long-Tailed Micro-Action Recognition

Micro-actions are subtle, low-intensity non-verbal behaviors that provide cues to fine-grained human states, i

深層学習軽量化・量子化分類画像動画

用途: 分類
難易度: Hard
コスト: High

PhysFlow: Physics-Aware Optical Flow for Motion Controllable Video Generation

Video generation models have recently attracted substantial attention for their ability to generate visually c

用途: 生成
難易度: Hard
コスト: High

SciFigure2Code: An AI-Reconstructed Benchmark for Scientific Figure-to-Code

Scientific figures are the interface through which research claims are inspected and reused, but final publish

自然言語処理大規模言語モデル画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

自然言語処理ファインチューニングセグメンテーション画像3D

MRI-Guided Reslice-Refined Cross-Slice SDF Reconstruction of the Left Ventricle from Cardiac MRI with Sparse Axial Supervision

Reconstructing a three-dimensional left-ventricular (LV) endocardial surface from cardiac magnetic resonance (

用途: セグメンテーション
難易度: Hard
コスト: High

品質予測/異常検知深層学習軽量化・量子化検出異常検知画像

Hyperspectral Anomaly Detection via Group Sparse Low-Rank Tensor Factorization With Automatic Anomaly Grouping

Low-rank tensor modeling has become an effective tool for hyperspectral anomaly detection. However, existing m

用途: 検出
難易度: Hard
コスト: Medium

SynthGait-19K: A Physically Grounded Synthetic Video Dataset for Gait Parameter Estimation

Accurate estimation of clinically meaningful gait parameters from monocular video is important for scalable mo

センサ/時系列機械学習時系列画像動画

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

コンピュータビジョンセグメンテーション生成画像動画

VI-Bench: Benchmarking Prompt Inversion from AIGC Videos

Recent advances in video generation have made prompt-based control increasingly central to AIGC video generati

用途: 生成
難易度: Hard
コスト: High

BrachistoneLR: A Brachistochrone-Inspired Learning-Rate Schedule and a Controlled Benchmark of Scheduling Policies

The learning-rate schedule is a consequential choice in training deep networks, yet the policies in common use

深層学習Transformer分類画像

用途: 分類
難易度: Hard
コスト: High

Visible-Reachable Workspace for Perception-Aware Humanoid Design

Workspace analysis measures where a robot can place its end effector. For visually guided manipulation, reacha

センサ/時系列自然言語処理RAG画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Low

Estimating Semantic Ambiguity via Gaussian Context Distributions for VLM-Driven Traversability Analysis

Autonomous navigation in unstructured environments requires robust scene understanding, yet Vision-Language Mo

コンピュータビジョンマルチモーダル画像テキスト

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Localized Visual Feature Aggregation via Focus Pooling for Visuomotor Policies

Focusing on spatially localized, control-relevant visual cues has been shown to improve data efficiency in vis

深層学習CNN画像テキスト

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

EvoNav-Bench: Benchmarking Lifelong Navigation in Evolving Environments

Lifelong navigation (LN) requires an embodied agent to solve a sequence of navigation subtasks in the same env

深層学習Transformer画像テキスト

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Monkey See, Can Monkey Do? A Benchmark for Evaluating Robot Skill Learning by Observation

Learning from Observation (LfO) is a fundamental robotic capability that replicates how humans and animals soc

深層学習軽量化・量子化画像動画

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

githubGitHubあり2026-09-08

photoprism — AI-Powered Photos App 🌈💎✨

photoprismはAIパワーで管理される写真管理アプリケーションで、写真の特徴や情報を自動的に検出することができる。

用途: 写真管理
難易度: Easy
コスト: Medium

githubGitHubあり2026-09-08

kornia — 🐍 Geometric Computer Vision Library for Spatial AI

このリポジトリでは、金融分野に適したLarge Language Modelsを提供しています。

コンピュータビジョン画像

用途: 金融用のLarge Language Models
難易度: Easy
コスト: High

githubGitHubあり2026-09-08

OpenCat-Quadruped-Robot — An open source quadruped robot pet framework for developing Boston Dynamics-style four-legged robots that are perfect for STEM, coding & robotics education, IoT robotics applications, AI-enhanced robotics application services, research, and DIY robotics kit development.

An open source quadruped robot pet framework for developing Boston Dynamics-style four-legged robots that are

強化学習画像

用途: 実装・検証基盤
難易度: Easy
コスト: Medium

MamMA: A Mamba-Based Pedestrian Trajectory Prediction Algorithm Considering Occupancy Map and Pedestrian Awareness States

Many pedestrian trajectory prediction algorithms have been proposed to improve the safety of navigation for mo

自然言語処理RAG画像3D

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

センサ/時系列深層学習Transformerセグメンテーション画像

JEDI: JEPA-to-Edge Distillation for Efficient Cropland Segmentation from Satellite Imagery

Large vision models provide useful representations for remote-sensing segmentation but are often too expensive

用途: セグメンテーション
難易度: Hard
コスト: High

説明可能品質予測/異常検知深層学習軽量化・量子化検出画像音声

Explainable Temporal Attention-based Defect Detection For Fillet Joints in Real-Time Gas Metal Arc Welding Based on Multi-modal Data

Deep learning is an efficient technique to monitor the real time welding process, reducing post-welding repair

用途: 検出
難易度: Hard
コスト: Low

InfluenceField: A Differentiable Field with Interventionally Identifiable Causal Structure for Multimodal World Modeling

Multimodal large language models often capture visual-linguistic correlations but struggle to predict how loca

深層学習軽量化・量子化画像テキストマルチモーダル

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

自然言語処理ファインチューニング生成画像マルチモーダル

Foundation Models for Generalizable Semantic and Goal-Oriented Communication

Semantic and goal-oriented communication is increasingly studied for 6G, but generalization beyond seen data r

用途: 生成
難易度: Hard
コスト: High

センサ/時系列自然言語処理埋め込み・検索分類画像マルチモーダル

Cross-modal learning for SAR target recognition using optical vision foundation models

Synthetic Aperture Radar (SAR) is an important modality in a wide range of imaging applications due to its ver

用途: 分類
難易度: Hard
コスト: High

Spatial Feature-wise Linear Modulation (SpFiLM) for Contrast Agent-Aware Brain Parcellation

Most automated brain parcellation tools are developed and validated on T1-weighted (T1w) MRI. Yet, some clinic

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

I Don't Miss You, but I Do: Self-Explanation Faithfulness of Modality Missingness in Vision-Language Models

Vision-language models are increasingly used in settings where some input modalities may be unavailable, yet w

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Heat Kernel Textures: the Geodesic Gaussians That Do Not Splat

3D Gaussian Splatting has recently revolutionised novel view synthesis as well as many other 3D vision methods

コンピュータビジョン3D・点群生成画像テキスト

用途: 生成
難易度: Hard
コスト: High

Latent-to-Latent Flow for Volumetric Stochastic Segmentation

Uncertainty arising from inter-observer variability in medical image segmentation plays an important role in d

コンピュータビジョンセグメンテーション生成画像

用途: 生成
難易度: Hard
コスト: Medium

品質予測/異常検知深層学習Transformer生成画像動画

RelightFormer: Feed-forward Generative Transformer for Multiview Object Relighting

Image relighting is traditionally tackled via complex inverse rendering pipelines, which suffer from ill-posed

用途: 生成
難易度: Hard
コスト: High

Multi-label versus multi-class classification of blood cells and their aggregates in microfluidic channels

Deformability cytometry (DC) is a type of imaging flow cytometry, which uses a camera-equipped device to measu

機械学習教師あり学習分類画像

用途: 分類
難易度: Hard
コスト: High

Eliciting Self-Verification in Multimodal Reasoning Agents with Reinforcement Learning

Reasoning agents increasingly rely on external tools such as web search to answer complex queries. Reinforceme

自然言語処理RAGQA画像テキスト

用途: QA
難易度: Hard
コスト: High

深層学習TransformerセグメンテーションQA画像

TDDN: Text-aligned Diffused DINO Network for Puzzle Understanding

Structured visual reasoning, such as image puzzles, demands fine-grained visual perception, an ability current

用途: セグメンテーション
難易度: Hard
コスト: High

品質予測/異常検知自然言語処理大規模言語モデル分類画像テキスト

SAFIRE: Safety-Critical Benchmark for Fine-grained Fire and Smoke Understanding in Multimodal LLMs

Multimodal Large Language Models (MLLMs) show strong progress on vision-language tasks, yet their reliability

用途: 分類
難易度: Hard
コスト: High

説明可能深層学習Transformer生成画像テキスト

VoT: Vision-of-Thought for Unified Multimodal Representation Alignment

Current text-to-image systems typically employ a "text encoder plus diffusion decoder" paradigm, in which text

用途: 生成
難易度: Hard
コスト: High

コンピュータビジョンセグメンテーション分類検出生成

A radiographic world model for clinical reasoning and evidence generation

Medical imaging artificial intelligence (AI) is commonly developed as separate mappings from radiographs to di

用途: 分類
難易度: Hard
コスト: High

Harnessing CLIP and DINO: An Uncertainty-Aware Cascaded Fusion Network for Generalizable Deepfake Image Detection

The growing realism and accessibility of manipulated and generated faces threaten the trustworthiness of digit

深層学習Transformer検出画像自己教師

用途: 検出
難易度: Hard
コスト: High

コンピュータビジョンマルチモーダル画像テキスト動画

Large-Scale User Behavior Analysis in Multimodal AI-Assisted Manual Task Execution

Conversational Task Assistants (CTAs) are multimodal dialogue systems that support users in complex real-world

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

説明可能コンピュータビジョンマルチモーダル分類生成画像

BanglaMemeX: Advancing Cultural Metaphoric Image Interpretation in Bangla with a Multimodal Explainable Dataset

Vision Language Models have achieved strong performance on multimodal benchmarks, yet their ability to reason

用途: 分類
難易度: Hard
コスト: High

コンピュータビジョンセグメンテーション画像テキスト音声

Where Should Language Sit in a Multimodal Model? Lessons from What Language Does to Human Perception and Cognition

Language models compute over tokens: language is their input, their output, and increasingly their internal re

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

MEMO: Multimodal Evidence Memory Organization for Long-Horizon LLM Agents

Long-running LLM agents rely on external memory to store and reuse information beyond a single context window,

深層学習軽量化・量子化画像テキストマルチモーダル

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知コンピュータビジョン動画認識分類画像動画

A Black-Box Adversarial Attack on Human Pose Estimation and Keypoint-Based Action Recognition Models

Human pose estimation and keypoint-based action recognition models are increasingly deployed as components of

用途: 分類
難易度: Hard
コスト: High

TaskGuard: Task-Conditioned Restoration Utility for Risk-Aware Object Detection

Image restoration is commonly applied before object detection under adverse conditions, yet a visually improve

深層学習Transformer検出画像

用途: 検出
難易度: Hard
コスト: Medium

品質予測/異常検知深層学習軽量化・量子化検出異常検知画像

ReactVAU: A Slow-Fast Decoupled Framework for Streaming Video Anomaly Understanding

In this paper, we propose ReactVAU, a Slow-Fast Decoupled Framework for real-time streaming Video Anomaly Unde

用途: 検出
難易度: Hard
コスト: High

説明可能コンピュータビジョンセグメンテーション生成画像3D

Bottom-up Modeling of Repeated Elements via Single Image Analysis-by-Synthesis

We address the problem of discovering repeated elements from a single image. In contrast to existing approache

用途: 生成
難易度: Hard
コスト: High

Poisson Image Denoising Using Minimax Concave and Reweighted $\ell_1$ Penalties: Nonblind and Blind Approaches

Images are important tools in various sciences. Despite the development of photo-taking tools, creating clear

品質予測/異常検知深層学習軽量化・量子化画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Are Image Generators Zero-Shot Perceivers? A Rigorous Evaluation

Recent work, such as Vision Banana, shows that lightweight instruction tuning can enable an image generator to

深層学習軽量化・量子化生成セグメンテーション画像

用途: 生成
難易度: Hard
コスト: High

Neural Posterior Estimation for Tomographic Weak Lensing Mass Mapping

Weak gravitational lensing shear and convergence trace the distribution of baryonic and dark matter across spa

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Low

説明可能自然言語処理ファインチューニング検出画像テキスト

DroneGround: Open-Vocabulary Drone Payload Characterization Using Synthetic Data and Grounded Vision-Language Models

Automated drone surveillance has become increasingly important for public safety, critical infrastructure prot

用途: 検出
難易度: Hard
コスト: High

表形式向き品質予測/異常検知コンピュータビジョン3D・点群生成画像3D

TV-SGS: Gaussian Splatting with Geometric Information Propagation via Tensor Voting under sparse views

Gaussian Splatting has been effective in inferring scene representations that excel in novel view synthesis. M

用途: 生成
難易度: Hard
コスト: High

Zero-Shot 3D Plant Organ Segmentation with SAM3 and Semantic NeRFs

Accurate 3D plant organ segmentation is fundamental to automated phenotyping. Existing approaches rely on anno

自然言語処理RAGセグメンテーション画像テキスト

用途: セグメンテーション
難易度: Hard
コスト: High

MI向きコンピュータビジョンマルチモーダル生成画像テキスト

Better Call CineCrew: Consistent Ultra-Long Narrative-to-Film Generation

Long-form narrative-to-film generation requires shot-level controllability and cross-clip consistency in both

用途: 生成
難易度: Hard
コスト: High

CrowdTraj: A Benchmark for Dense Crowd Trajectory Prediction in Realistic Crowded Environments

In real-world applications, pedestrian trajectory prediction models rely on inputs from detection and tracking

自然言語処理RAG検出画像

用途: 検出
難易度: Hard
コスト: High

Privacy Leakage from a Thousand Words: Millipixel Location Recovery from Dot Maps

Dot maps, which visualize individual data points as dots over a geographic region, are widely used across dive

条件最適化自然言語処理RAG画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Low

Search-to-World: Evaluation of 3D World Delivery from User Request through Web Search

Agentic systems can interpret user requests, search the live web, and use external tools, but their ability to

自然言語処理ファインチューニング画像動画3D

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

BarkNet-Lite: A Lightweight Texture and Colour Network with the BarkBD Benchmark for Bark-Based Tree Species Recognition in Bangladesh

Tree species recognition supports forest inventory and biodiversity monitoring but still depends on scarce tax

深層学習軽量化・量子化分類画像テキスト

用途: 分類
難易度: Hard
コスト: Low

Topologically Consistent Agricultural Parcel Vectorization with Semantic-Guided Diffusion and Topology-Aware Polygonization

Agricultural parcel polygons play a fundamental role in geospatial applications such as precision agriculture,

自然言語処理RAGセグメンテーション画像

用途: セグメンテーション
難易度: Hard
コスト: High

PICANet: Physics-Informed Cascaded Asymmetric Network for Infrared Small Target Detection

Infrared small target detection (ISTD) is an important research direction in image processing. However, existi

深層学習CNN検出画像

用途: 検出
難易度: Easy
コスト: Medium

自然言語処理埋め込み・検索画像テキストマルチモーダル

CrACK: Adversarial Attacks on Cross-Model Consistency in Collaborative Vision Foundation Models

Training-free collaborative pipelines that integrate Vision Foundation Models such as CLIP, SAM, and DINO achi

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

説明可能コンピュータビジョン物体検出分類検出セグメンテーション

When Superpixels Fail on Documents: A Study of Segmentation for LIME Explanations

Post-hoc explanation methods are widely used to inspect image classifiers, but their reliability depends on de

用途: 分類
難易度: Hard
コスト: Low

品質予測/異常検知深層学習軽量化・量子化分類セグメンテーション画像

AFID: A Unified Open Framework for Automated Fingermark Identification, Quality Assessment and Feature Extraction

Automated fingermark identification is the foundation of forensic investigation, yet progress in the field is

用途: 分類
難易度: Hard
コスト: Low

Unified Vision-Centric Pedestrian Crossing Action Prediction via Adaptive Patch Projection and Proactive Spatial Rectification

Vision cues are available and informative for pedestrian action prediction, but obtaining stable target-centri

深層学習軽量化・量子化画像テキスト動画

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知コンピュータビジョンセグメンテーション画像3D自己教師

Self-Supervised Multi-View 3D Gaze Target Estimation via Probabilistic Ray Marching

We present a self-supervised approach, Self-MVGTE, for estimating 3D gaze targets from multiple camera views.

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

TRAIL: Trajectory-Aware Visual Place Recognition against Unordered Databases

Modern Visual Place Recognition (VPR) methods excel on standard benchmarks yet remain brittle in feature-poor

表形式向き深層学習軽量化・量子化分類検出画像

用途: 分類
難易度: Hard
コスト: High

DF26: We Cannot Tell Fake From Real Anymore

We introduce DF26, a novel benchmark for detecting AI-generated videos containing fully synthetic clips produc

コンピュータビジョンマルチモーダル検出生成画像

用途: 検出
難易度: Hard
コスト: High

品質予測/異常検知深層学習軽量化・量子化生成画像3D

From Explicit References to Scene Manifolds: Distributional Fidelity and Realism for Radiance Field Quality Assessment

Radiance field representations such as 3D Gaussian Splatting (3DGS) enable high-quality novel view synthesis b

用途: 生成
難易度: Hard
コスト: High

CRISP: Corneal Confocal Microscopy Real-Time Image Stitching Pipeline

Morphology of the sub-basal nerve plexus (SNP) reflects peripheral nerve health, and corneal confocal microsco

自然言語処理RAG検出画像動画

用途: 検出
難易度: Hard
コスト: High

品質予測/異常検知深層学習CNN検出セグメンテーション画像

Weakly supervised neural network: segmentation of complex structures in X-ray microCT

Segmentation of complex structures in X-ray tomographic data is a fundamental task in biomedical research, but

用途: 検出
難易度: Hard
コスト: Medium

MI向き品質予測/異常検知コンピュータビジョン3D・点群画像3Dマルチモーダル

KODAMA: Multimodal Digital Twin Reconstruction for Urban RF Propagation Modelling

3D reconstruction typically strives for geometric fidelity or visual plausibility. Radio frequency digital twi

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知自然言語処理プロンプトエンジニアリング検出異常検知画像

Proximity-CLIP: Text-Guided Semantic Proximity Learning for Zero-Shot Anomaly Detection

Vision-language models offer a promising approach for zero-shot anomaly detection (ZSAD). However, due to obje

用途: 検出
難易度: Hard
コスト: High

The Price of Consistency: Exploiting Visual Anchors for Multimodal Jailbreaking in Video Generation

The rapid evolution of video generation has shifted the paradigm from pure text-driven to multi-conditional co

コンピュータビジョン動画認識生成画像テキスト

用途: 生成
難易度: Hard
コスト: High

Deep Learning for Biopsy-Free Subtyping of Basal Cell Carcinoma from Dermatoscopic Images

Basal Cell Carcinoma (BCC) is the most common type of skin cancer, accounting for nearly 80% of skin cancer di

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Weakly-supervised Kidney Tumor Classification from CT Scans with Multi-Instance Learning and Anatomical Filtering

Deep learning models for CT scan analysis are often limited by the scarcity of precise pixel-level annotations

深層学習軽量化・量子化分類セグメンテーション回帰

用途: 分類
難易度: Hard
コスト: High

品質予測/異常検知深層学習Transformer生成画像テキスト

Flow3D-OPD: Multi-Teacher On-Policy Distillation for 3D Geometry Generation with Flow-Matching Diffusion Transformer

Recent image-to-3D generation models built on flow-matching diffusion Transformers (DiT) can produce high-fide

用途: 生成
難易度: Hard
コスト: High

コンピュータビジョンマルチモーダル画像テキスト動画

NutriBench-Kitchen: Benchmarking Embodied AI for Nutrition Management

An embodied kitchen assistant must do more than recognize food in isolated frames. It must track ingredient st

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

A Two-Stage Framework for Ego-Centric Key Object Identification via Object State Prediction

This paper presents a novel framework designed to enhance key object identification in autonomous driving. Exi

自然言語処理RAG画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Low

説明可能品質予測/異常検知深層学習軽量化・量子化分類生成画像

Discovering Natural Transformation Vulnerabilities in Black-Box Vision Models

Natural adversarial examples (NAEs) reveal that vision models can fail under realistic semantic changes beyond

用途: 分類
難易度: Hard
コスト: High

Ambient @ EgoProactive 2026 : Proactive Egocentric Assistance with Visually Grounded Supervision

We present our submission to the EgoProactive track of the ECCV 2026 Wearable AI Challenge, which ranked first

コンピュータビジョンマルチモーダル分類生成画像

用途: 分類
難易度: Hard
コスト: High

品質予測/異常検知自然言語処理ファインチューニング生成画像テキスト

Single Image to Textured 3D Object Generation in Frequency Domain: From Theory to Pipeline

Single-view 3D reconstruction, also known as image-to-3D, is a persistently challenging task due to the extrem

用途: 生成
難易度: Hard
コスト: High

品質予測/異常検知コンピュータビジョン物体検出検出画像

Detect Anything in Graphic Design: Element-Level Rewards for Autoregressive Detection

Graphic designs, such as posters, advertisements, and infographics, are an important medium for communicating

用途: 検出
難易度: Hard
コスト: High

品質予測/異常検知コンピュータビジョンセグメンテーション画像テキスト

Continuous Token-Level Spatio-Temporal Context Modeling for Visual Object Tracking

Spatio-temporal context has become increasingly crucial for visual tracking. However, most existing approaches

用途: 技術検証・論文読解補助
難易度: Easy
コスト: Medium

SpatialBlock: Enhancing Spatial Intelligence in LVLMs via Synthetic Block-Stacking Problem

Large Vision-Language Models (LVLMs) have achieved strong performance on diverse visual tasks, yet their abili

自然言語処理RAGQA画像テキスト

用途: QA
難易度: Hard
コスト: High

自然言語処理埋め込み・検索分類セグメンテーション画像

CNsEMD: An Expert-Annotated Multi-Field-Strength MRI Dataset and a Hyperspherical Manifold Network for Multimodal Cranial Nerve Parcellation

Cranial nerves (CNs) play essential roles in sensory, motor, and autonomic functions. Accurate CN parcellation

用途: 分類
難易度: Hard
コスト: High

品質予測/異常検知コンピュータビジョンマルチモーダル生成QA画像

FreqDoor: A Hidden Trojan in the Frequency Domain for Backdoor Attacks on Vision-Language Models

Vision-language models (VLMs) have recently shown excellent progress in open-ended image-to-text generation. H

用途: 生成
難易度: Hard
コスト: High

LoGAN: Multilingual Font Localization with Generative Agents

Localizing a font into new languages is a highly intricate task requiring precise design adaptation of glyphs,

少数データ向き自然言語処理RAG検出生成画像

用途: 検出
難易度: Hard
コスト: High

MI向き深層学習Transformerセグメンテーション画像

ARNAI: Artifact Removal Network based on Autoencoding and Inpainting for Robust Spinal Image Segmentation and Measurement

Purpose: This study aims to develop an AI framework applicable for postoperative imaging for automated measure

用途: セグメンテーション
難易度: Hard
コスト: Low

AstraMoE-SR: Trajectory-Guided Diffusion for Blind Satellite Jitter Deblurring and Super-Resolution

Pushbroom satellite imaging couples limited spatial resolution with platform attitude instability. Platform ji

コンピュータビジョンセグメンテーション画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知深層学習Transformer画像テキスト動画

Fine-Grained Visual Preprocessing and Dual-Stream Temporal Modeling for Multimodal Sentiment Analysis on Social Media

Multimodal sentiment analysis often remains text-dominant due to raw-video noise and insufficient temporal mod

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

GIFT: Goal-Injected Fine-Tuning for Efficient Manipulation Policy Adaptation

Compared with relying solely on initial observations and language instructions, predicting goal images with ge

深層学習軽量化・量子化生成画像マルチモーダル

用途: 生成
難易度: Hard
コスト: High

自然言語処理大規模言語モデル検出セグメンテーション画像

CGSM: Concept-Guided Segmentation Model for Precise Pulmonary Lesion Delineation

Accurate segmentation of pulmonary lesions is essential for effective clinical diagnosis and treatment strateg

用途: 検出
難易度: Hard
コスト: High

AV-SafetyBench: A Safety Benchmark for Text-to-Audio-Video Generation

Recent text-to-audio-video (T2AV) models jointly generate video, speech, sound effects, and ambience from a si

生成AI動画生成生成画像テキスト

用途: 生成
難易度: Hard
コスト: High

品質予測/異常検知自然言語処理大規模言語モデル検出生成異常検知

AnomalyCraft-700K: Component-Level Controllable and Verifiable Synthetic Anomalies for Fine-Grained Video Anomaly Understanding

Progress in video anomaly understanding (VAU) has long been limited by inherent deficiencies of real-world ano

用途: 検出
難易度: Hard
コスト: High

少数データ向き自然言語処理プロンプトエンジニアリング画像テキストマルチモーダル

Re-calibrated Contrastive Loss for Transformation-Aware Prompt Conditioning in Vision-Language Models

Ensuring effective transfer learning for vision-language models without compromising their generalization perf

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

センサ/時系列品質予測/異常検知強化学習方策勾配 (PPO / A3C)画像

DPSF-Net: A Dual-Prior Spatial-Frequency Network for Real-World Remote Sensing Image Dehazing

Real-world remote sensing image dehazing (RSID) remains challenging because atmospheric scattering, spatially

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Joint-Conditioned Stereo Surface Reasoning for Interaction Field Estimation

Predicting hand--object interaction fields requires locating the nearest object-surface point for each hand jo

コンピュータビジョンセグメンテーション画像3D

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

センサ/時系列品質予測/異常検知自然言語処理RAG生成画像動画

PRG-Fusion: Orchestrating Generative Priors with Reconstruction Evidence for Driving View Synthesis

Synthesizing photorealistic driving videos along specified trajectories is essential for scalable closed-loop

用途: 生成
難易度: Hard
コスト: High

品質予測/異常検知自然言語処理ファインチューニング画像

SPOT: Spatial Perception-Oriented Long-Horizon Humanoid Teleoperation

High-quality demonstration data is becoming a central bottleneck for training general-purpose humanoid robots.

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

センサ/時系列品質予測/異常検知深層学習軽量化・量子化画像テキストマルチモーダル

M3-Tele: A Unified Multimodal Teleoperational Framework for Compliant Whole-Body Mobile Manipulation

Executing contact-rich tasks efficiently requires the seamless integration of whole-body coordination and phys

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

センサ/時系列自然言語処理RAG画像マルチモーダル

ComVLA: Communication-Aware Split Inference for VLA Models in 6G-Connected Robotics

Connected robotics is an emerging 6G application where mobile robots follow natural-language instructions to m

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Dex-X: Learning Visual-Tactile Dexterous Manipulation From Human Videos with Simulated Interaction

Human videos are an abundant source of dexterous manipulation behaviors, but they lack tactile information tha

センサ/時系列自然言語処理RAG画像動画

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

センサ/時系列自然言語処理RAG画像テキストマルチモーダル

Zero-Shot Sim-to-Real Contact-Rich Assembly via Proprioception-Anchored Cross-Modal Pretraining

Contact-rich assembly remains challenging because it requires submillimeter spatial accuracy and reliable inte

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

説明可能コンピュータビジョンセグメンテーション画像動画3D

PhysReal: Learning Real-World Deformable Object Physics via Hybrid Constitutive Modeling

Learning physically plausible dynamics from visual observations is essential for interactive world models and

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

P$^2$Calib: Utilizing Pattern Priors for LiDAR-Camera Extrinsic Calibration

Target-based LiDAR-camera extrinsic calibration is a prerequisite for multi-sensor fusion in robotics. However

センサ/時系列自然言語処理RAG画像3D

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Functional-SLAM: Interaction-Aware Mapping with Online Functional Scene Graphs

Existing SLAM systems lack modeling of the functional relations required for fine-grained robotic interaction.

深層学習軽量化・量子化画像テキスト3D

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

センサ/時系列品質予測/異常検知自然言語処理プロンプトエンジニアリング画像音声

Open-Set Ego-Noise Separation for Legged-Robot Audition via Annotation-Free Adaptation and Pretrained-Model Transfer

This paper proposes an open-set ego-noise separation framework for legged-robot audition via annotation-free a

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

OpenWAM: An Open, Modular Exploration Towards Systematic World-Action Model Pretraining

World-Action Models inherit world knowledge from video-generative priors, and channel it into executable contr

自然言語処理RAG生成画像動画

用途: 生成
難易度: Hard
コスト: High

Generalizable 6D Pose Estimation of Textureless Objects with Planar-based Gaussian Splatting

Estimating the 6D pose of textureless objects without prior CAD models remains a critical challenge due to the

自然言語処理RAG画像テキスト3D

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Phase-and-First-Arrival VLM Feedback for Sparse-Reward Reinforcement Learning in Surgical Manipulation

Sparse outcome feedback limits what robots can learn from unsuccessful attempts at complex manipulation. Faile

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知深層学習軽量化・量子化生成画像3D

EquiGQNet: Fast Grasp Quality Evaluation via Shared Equivariant Point Cloud Encoding

Planning six-degree-of-freedom (6-DoF) grasps for unseen objects in cluttered tabletop scenes from a single-vi

用途: 生成
難易度: Hard
コスト: High

センサ/時系列コンピュータビジョンセグメンテーション画像

Beyond Task Success: Stage-Wise Reliability of World Model Planning under Sensing Degradation

In world model planning, sensing inputs pass through an encoder and predictor before affecting planner decisio

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

MAC-I$^2$: Learned Metrics-Aware Covariance for Robust Visual-Inertial Fusion in Initialization and Calibration

Visual-Inertial (VI) fusion is fundamental to accurate and robust state estimation, where camera and IMU measu

深層学習Transformer画像テキスト

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Human-Aware Target Tracking and Navigation: Fusing Kinematic State Estimation with Structural Map Constraints

Autonomous mobile robots performing person-following tasks often suffer from temporary occlusions and sensor t

センサ/時系列自然言語処理RAG検出画像3D

用途: 検出
難易度: Hard
コスト: High

Deception in Reach-Avoid Game with Unknown Heterogeneous Attackers Speed Information

This letter investigates a reach-avoid game involving two Attackers and one Defender, where the Attackers aim

強化学習画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

深層学習Transformerセグメンテーション画像

githubGitHubあり2026-09-07

segmentation_models.pytorch — Semantic segmentation models with 500+ pretrained convolutional and transformer-based backbones.

セマンティックシーケンス分割モデルのライブラリです。

用途: セマンティックシーケンス分割モデル
難易度: Easy
コスト: High

githubGitHubあり2026-09-07

SimpleTuner — A general fine-tuning kit geared toward image/video/audio diffusion models.

画像やビデオやオーディオディフュージョンモデルのファインチューニングを行うための、汎用的なファインチューニングキット。

自然言語処理ファインチューニング画像音声動画

用途: ディフュージョンモデルのファインチューニング
難易度: Easy
コスト: High

githubGitHubあり2026-09-07

langextract — A Python library for extracting structured information from unstructured text using LLMs with precise source grounding and interactive visualization.

LLMを使用して、自然言語処理における情報抽出を行うためのPythonライブラリです。

自然言語処理大規模言語モデル画像テキスト

用途: 自然言語処理情報抽出
難易度: Easy
コスト: High

Deep Barycentric Regression for Optimal Transport Map Estimation and its Statistical Optimality

The optimal transport (OT) map provides a geometric transformation for aligning probability distributions and

強化学習マルチエージェント回帰画像教師なし

用途: 回帰
難易度: Hard
コスト: High

Formation of structural attractors in neuromorphic systems

This paper examines the theory of Invariant Structural Learning (ISL), which proposes a non-optimization appro

生成AIGAN分類画像テキスト

用途: 分類
難易度: Hard
コスト: High

品質予測/異常検知自然言語処理大規模言語モデル分類画像テキスト

NormViz: A Benchmark and Framework for Grounding Multimodal Reasoning in Global Cultures

AI systems are used worldwide, but they struggle to serve the needs of culturally diverse populations. Prior w

用途: 分類
難易度: Hard
コスト: High

深層学習RNN / LSTM画像テキストマルチモーダル

Reason Through the Latent! Making Latent Visual Reasoning Necessary

Latent visual reasoning aims to perform multimodal reasoning through hidden-state computation rather than expl

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

自然言語処理プロンプトエンジニアリング画像テキスト

Counterfactual Tests for Measuring Chain-of-Thought Faithfulness in Visual Language Models

Chain-of-thought (CoT) may often look plausible, yet it may not faithfully reflect the model's decision-making

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

品質予測/異常検知自然言語処理RAG生成画像テキスト

DianShi-RxnDB: A Large-Scale, Fine-Grained Organic Reaction Data Platform Built via a Fully Automated Pipeline for Researchers and AI Agents

High-quality structured organic reaction data are essential for developing artificial intelligence for chemist

用途: 生成
難易度: Hard
コスト: Low

品質予測/異常検知深層学習軽量化・量子化画像教師なし

OracleZoom: On-Policy Self-Distillation Inspired Reference-Constrained Recursive Image Super Resolution

Recursive Super-Resolution (SR) extends fixed-scale SR to extreme magnification by repeatedly feeding predicti

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知自然言語処理大規模言語モデル生成画像テキスト

InsightChain: Optimized Chain-of-Insight Analytics for LLM-driven Data Visualization

Large language models (LLMs) are increasingly used for automated data visualization, yet existing approaches o

用途: 生成
難易度: Hard
コスト: High

品質予測/異常検知自然言語処理RAG分類画像テキスト

Visual Search Augmented Chain-of-Thought Reasoning for Attribute Value Extraction from Product Videos

Existing approaches to visual attribute value extraction (AVE) primarily rely on static product images, failin

用途: 分類
難易度: Hard
コスト: High

ContextFlow: In-Context Flow Matching for Robot Manipulation

Although highly effective in vision and language domains, applying in-context learning to robotics remains cha

用途: 生成
難易度: Hard
コスト: High

深層学習RNN / LSTM画像3Dマルチモーダル

CAVEAT: Recurrent Multimodal Diffusion Planning for Mapless Aerial Exploration

Can exploratory UAV waypoint sequences be generated from multimodal onboard observations and a fixed-dimension

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

MemCorr-DP: Counterfactual Correspondence Conditioning for a Diffusion Policy Guided by a Reference

Behavior-cloned visuomotor policies can remain accurate near their training distribution yet fail when object

深層学習Transformer画像3D

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

SHIFT: Surface-aware High-speed Integration For TSDFs

Real-time 3D mapping is fundamental for autonomous robotic navigation, with Euclidean Signed Distance Fields (

品質予測/異常検知深層学習軽量化・量子化画像3D

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

説明可能コンピュータビジョンセグメンテーション画像マルチモーダル

VLA-Corrector: Stage-Aware Observable State Understanding for Prompt-Based Closed-Loop Recovery of Vision-Language-Action Policies

Long-horizon robot manipulation with Vision-Language-Action (VLA) policies remains vulnerable to execution-tim

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

\textbf{PLATO}: \emph{Preintegration Learning from Accurate Trajectory Observations} for Neural Inertial Odometry

Neural inertial odometry has demonstrated strong potential for motion estimation in challenging environments,

深層学習軽量化・量子化画像テキスト

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Low

huggingfaceHugging Faceあり2026-09-06

Agentic Visual Generation: From Generative Models to Agentic Control

Visual generation is evolving from generative models used through a single invocation into agentic control pro

品質予測/異常検知自然言語処理大規模言語モデル生成画像動画

用途: 生成
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-09-06

TransNormal-2: Geometry-Grounded Rectified Flow with Edge-Aware Decoding for Precise Normal Estimation

Diffusion-based models enable monocular geometry estimation, yet their pixel-space precision is limited by a s

深層学習軽量化・量子化画像

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-09-06

Multi-Grid Post-Training for Long-Form Multi-Shot Video Generation

Generating long-form multi-shot videos requires coherent within-shot motion and visually consistent narratives

自然言語処理埋め込み・検索生成セグメンテーション画像

用途: 生成
難易度: Easy
コスト: High

Recovering linear images of sparse signals from indirect observations

In this paper, we develop and analyze techniques for recovering a linear image $Bx$ of an unknown signal $x$ f

センサ/時系列深層学習軽量化・量子化画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Diagonal Attenuation: A Finite-Sample Correction for PCA

Principal component analysis (PCA) can rotate away from its population target when a covariance matrix is esti

自然言語処理RAG画像音声

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Low

品質予測/異常検知強化学習方策勾配 (PPO / A3C)画像

CST-WM: A Causally Structured World Model for Embodied Visual Tracking

Embodied visual tracking requires a robot not only to react to the current view, but to choose actions that pr

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

コンピュータビジョンセグメンテーション生成画像3D

IM-ENGINE: Image Editing for Embodied Data Generation

Learning-based manipulation requires supervision that is both semantically meaningful and physically executabl

用途: 生成
難易度: Hard
コスト: High

GloVLA: Let Geometry Move and Local VLA Interact for Robust Object-Centric Manipulation in Unstructured Environments

Vision-language-action (VLA) models have shown promising generalization for language-conditioned robot manipul

深層学習軽量化・量子化画像動画マルチモーダル

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

自然言語処理ファインチューニング検出画像マルチモーダル

Where Success Breaks: Failure-Boundary Learning for Robust Vision-Language-Action Models

Vision-language-action (VLA) models adapted through supervised fine-tuning (SFT) inherit a structural asymmetr

用途: 検出
難易度: Hard
コスト: High

CPUで試しやすいセンサ/時系列強化学習方策勾配 (PPO / A3C)画像

FALCON-S: Fixed-wing ground-effect Aerodynamics Simulator and Flight Control Learning Suite

We present a modular, high-fidelity simulation framework for the development and benchmarking of flight contro

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

自然言語処理プロンプトエンジニアリング生成画像マルチモーダル

A Brain-inspired Hierarchical Framework for Zero-Shot Robot Task Reasoning and Execution

Robots that follow open-ended language instructions need to connect semantic intent to visual scene understand

用途: 生成
難易度: Hard
コスト: High

CR-VLA-Force: Learning Control-aware Compliance VLA Model for Robust Contact-rich Robotic Manipulation

Integrating visuomotor policies or Vision-Language-Action (VLA) models with force/torque (F/T) perception has

深層学習Transformer画像マルチモーダル

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

huggingfaceHugging Faceあり2026-09-05

DriveZero: End-to-End Driving Beyond Human Demonstrations

Most end-to-end autonomous-driving systems learn by imitating human driving logs, leaving their learned behavi

品質予測/異常検知自然言語処理RAG画像

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-09-05

VDiff-Bench: A Challenging Benchmark for Fine-Grained Image Difference Identification

Multimodal Large Language Models (MLLMs) perform strongly on general visual understanding tasks such as visual

自然言語処理大規模言語モデルQA画像テキスト

用途: QA
難易度: Easy
コスト: High

githubGitHubあり2026-09-05

vit-pytorch — Implementation of Vision Transformer, a simple way to achieve SOTA in vision classification with only a single transformer encoder, in Pytorch

感覚変換、すなわちバーチャルエキスパートが可能なPytorch実装。

深層学習Transformer分類画像

用途: 感覚変換
難易度: Easy
コスト: Low

コンピュータビジョンセグメンテーション画像テキスト教師あり

An Analysis of Self-supervised Pre-training with Dependent Samples

Self-supervised learning relies on so-called data augmentations $φ(x)$ of unlabeled datapoints $x$ --- for exa

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

自然言語処理大規模言語モデル画像テキストマルチモーダル

Time-Aware Assistive Navigation

Can interactive vision-and-language agents learn not just what to say but also \textbf{\textit{when}} to say i

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

CrossDepth: Geometry-Constrained Attention for Generalizable Multi-View Surround Depth Estimation

Reliable 3D understanding of the surrounding environment is a core requirement for autonomous driving. Multi-v

自然言語処理RAG画像テキスト3D

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

What Matters, When? Diagnosing and Improving Conditional Visual Grounding in Visuomotor Imitation Policies

Visuomotor imitation policies can achieve high performance under in-distribution visual conditions yet fail wh

深層学習Transformer画像マルチモーダル

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation

World-action models (WAM) predict future states to guide robot actions, enabling learning from both action-fre

自然言語処理RAG生成異常検知画像

用途: 生成
難易度: Hard
コスト: High

Towards Neuro-Symbolic Procedural Reasoning for Long-Horizon Vision-Language-Action Manipulation

Vision-language-action (VLA) models can execute short manipulation skills, but remain brittle in long-horizon

自然言語処理ファインチューニング画像テキスト動画

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

FIRE-LIVWO: Robust LiDAR-Inertial-Visual-Wheel Odometry via Failure-Immune mmWave Radar Enhancement

Achieving robust SLAM in large-scale underground coal mines with complex structures and severe degeneracies re

自然言語処理RAG検出生成画像

用途: 検出
難易度: Hard
コスト: High

コンピュータビジョンセグメンテーション画像マルチモーダル

Temporal Tactile Encoding and Compliance for Intent-Aware Robot-to-Human Bimanual Handover

Reliable robot-to-human handover requires the robot to infer when the person is ready to receive the object, a

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

arxivGitHubあり2026-09-04

TacPAC: Tactile Prediction and Real-Time Action Correction in World-Action Models for Contact-Rich Manipulation

World-action models guide action generation with predicted future observations, but vision-centric predictions

自然言語処理RAG生成画像

用途: 生成
難易度: Easy
コスト: Low

Coupled Control and Wireless World Models for Resilient Remote Robotic Control

Remote robotic systems operating over wireless networks must maintain reliable control despite limited communi

深層学習Transformer予測画像

用途: 予測
難易度: Hard
コスト: High

HaptiNet: Networked Haptic Robots Enable Physical Co-presence in Geographically-Unconstrained Rehabilitation

Cooperative rehabilitation enhances engagement, task performance, and social-motor interaction, yet it demands

強化学習マルチエージェント画像音声

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

コンピュータビジョンセグメンテーション生成画像3D

NavArena: Automated Construction of Goal-Oriented Navigation Benchmarks from 3D Gaussian Splatting Reconstructions

Fixed 3D Gaussian Splatting (3DGS) reconstructions provide realistic novel views but lack the traversability c

用途: 生成
難易度: Hard
コスト: High

説明可能コンピュータビジョンセグメンテーション画像

Dual-Part Multi-Lateral Branched Network for Multi-Class Segmentation in Cardiovascular Catheterization Angiograms

Catheterisation image processing requires segmentation models that are fast, accurate and explainable. While m

用途: セグメンテーション
難易度: Hard
コスト: High

huggingfaceGitHubありHugging Faceあり2026-09-04

SceneMosaic: Efficient and Diverse Simulation-Ready Scene Generation via Hybrid Agentic Layout Evolution

Diverse and simulation-ready indoor scenes are essential for interactive entertainment and embodied AI, yet th

品質予測/異常検知深層学習軽量化・量子化生成画像テキスト

用途: 生成
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-09-04

RenderFormer-V2: Neural Rendering with Heterogeneous Scene Primitives

We present 'RenderFormer-V2', a unified learned transformer-based neural rendering model, complementary to mod

MI向き深層学習Transformer異常検知画像テキスト

用途: 異常検知
難易度: Easy
コスト: High

huggingfaceGitHubありHugging Faceあり2026-09-04

Learning 3D Editing without Paired Supervision via Generative Prior Distillation

Instruction-guided 3D editing is essential for interactive content creation, yet it faces a significant bottle

品質予測/異常検知深層学習軽量化・量子化生成画像テキスト

用途: 生成
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-09-04

Knowing What Not to Answer: Selective Non-Compliance in Vision-Language Models

Vision-language models (VLMs) are expected to respond helpfully to appropriate requests while withholding comp

自然言語処理ファインチューニング画像テキストマルチモーダル

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

説明可能MI向き品質予測/異常検知コンピュータビジョン物体検出検出画像テキスト

arxivGitHubあり2026-09-03

Understanding Autonomous Driving Datasets by Describing Differences between Image Subsets in Natural Language

Understanding the composition of large-scale autonomous driving datasets is essential for safety, robustness,

用途: 検出
難易度: Hard
コスト: High

品質予測/異常検知自然言語処理ファインチューニング画像3D

AquaBEV: Monocular Underwater BEV Occupancy with 3D Sonar Supervision

Autonomous underwater robots are widely used for exploration, monitoring, and inspection, where safe navigatio

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知コンピュータビジョン3D・点群分類画像テキスト

Where Appearance Fails, Geometry Recognizes: A CAD-Free 3D Shape Prior That Complements Vision Foundation Models

Recognizing specific objects onboarded without a labeled training set recurs across manufacturing and service

用途: 分類
難易度: Hard
コスト: High

自然言語処理プロンプトエンジニアリング画像マルチモーダル

GIFT: Guided Intermediate Feature Training via Action-Oriented Structural Supervision for Robotic Manipulation

Vision-language pre-training and predictive world modeling provide robot policies with rich semantic and dynam

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

A Low-Cost, Open Platform for End-to-End Autonomous Driving on a Miniature Ackermann Vehicle

This paper presents a low-cost, open experimental platform for research in end-to-end autonomous driving with

コンピュータビジョンセグメンテーション画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Continuous Actions from Discrete Minds: Latent-Aligned Planning for End-to-End Autonomous Driving

Bridging the gap between the discrete reasoning of Vision-Language Models and the continuous, physics-constrai

用途: 生成
難易度: Hard
コスト: High

品質予測/異常検知深層学習Transformer分類埋め込み画像

Catalogue Photography as a Cold Start: Toward Deployable Carbide Burr Recognition

Verifying that manufactured batches of milling tools or carbide rotary burrs conform to production order sheet

用途: 分類
難易度: Hard
コスト: High

MulDP: Multimodal Diffusion Policy for Autonomous Quadruped Parkour Navigation across Complex Terrains

Quadruped robots have demonstrated impressive agility in parkour locomotion across complex terrains. However,

コンピュータビジョン動画認識画像マルチモーダル

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

品質予測/異常検知コンピュータビジョンセグメンテーション分類検出画像

Automated Weld Seam Recognition and 3D Mapping for Robotic Post Processing Using Photogrammetry and Semantic Segmentation

Accurate identification of weld seam geometries is essential for automated robotic post processing operations

用途: 分類
難易度: Hard
コスト: High

huggingfaceGitHubありHugging Faceあり2026-09-03

ENEAS: Embedding-guided Neural Ensemble for Adaptive Segmentation

We present ENEAS, a unified, text-promptable method for instance tracking and semantic discovery. Text-prompta

品質予測/異常検知自然言語処理RAG分類セグメンテーション画像

用途: 分類
難易度: Easy
コスト: High

品質予測/異常検知深層学習Attention機構生成画像テキスト

The Attention Triangle in Audio-Video Models

Audio-video diffusion models rely on cross-modal attention to coordinate text, sound, and visual content, yet

用途: 生成
難易度: Easy
コスト: High

Unfold The World: Factorize 4D Properties in Reinforcing Spatial Reasoning

Despite the remarkable prowess of Vision-Language Models (VLMs) in general multimodal tasks, they remain funda

コンピュータビジョン3D・点群画像テキスト動画

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

huggingfaceGitHubありHugging Faceあり2026-09-03

AdaptVPR: Route-Aware Hard Positive Generation for Robust Visual Place Recognition

Visual Place Recognition (VPR) localizes a query image by retrieving database images of the same or nearby pla

コンピュータビジョンセグメンテーション分類生成画像

用途: 分類
難易度: Easy
コスト: High

LLaDA-Image: Building Strong Image Generators with Fully Open Training Recipes

We introduce LLaDA-Image, a unified framework that pairs a 6B Diffusion Transformer (DiT) trained from scratch

用途: 生成
難易度: Easy
コスト: High

Puffin-World: Scaling a Unified Multimodal Model with Native 3D World States

We propose Puffin-World, a unified multimodal architecture that integrates physical understanding, spatial sim

深層学習Transformer生成画像3D

用途: 生成
難易度: Easy
コスト: High

Last Translation Benchmark

For scientific progress, we need benchmarks that test the limits of state-of-the-art models, and evaluation me

深層学習Transformer翻訳画像テキスト

用途: 翻訳
難易度: Easy
コスト: High

Beyond Retrieval: Progressive Latent Memory Evolution for Streaming Video Understanding

Streaming video understanding requires multimodal large language models (MLLMs) to process continuous visual i

自然言語処理大規模言語モデル画像テキスト動画

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

品質予測/異常検知自然言語処理大規模言語モデル画像テキスト動画

WorldReward: Reward Modeling for Camera-Conditioned World Models

Camera-conditioned world models generate interactive videos in which commanded actions should induce the expec

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

品質予測/異常検知深層学習軽量化・量子化生成異常検知画像

FlashRender: Few-Step Generative Rendering via Camera-Controlled Video MeanFlow

We present FlashRender, a few-step generative rendering framework that retakes a source video along a target c

用途: 生成
難易度: Easy
コスト: High

Principia: Relational Physics Tests for Video Models

Evaluating physical reasoning in video models is difficult because absolute motion measurements depend on fram

用途: 生成
難易度: Easy
コスト: High

Select, Compress, Reinvest: A Controlled Study of Visual-Token Allocation in Long-Video MLLMs

Long-video language models cannot look at every frame: an hour sampled once per second is 3,600 images, and a

自然言語処理大規模言語モデル画像テキスト動画

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

githubGitHubあり2026-09-03

best-of-ml-python — 🏆 A ranked list of awesome machine learning Python libraries. Updated weekly.

Pythonで使えるマシンラーニングライブラリを紹介している。

用途: Python MLライブラリ
難易度: Easy
コスト: Medium

arxivPaper only2026-09-02

Model-Free Surrogate-Assisted Neural Architecture Search for Evolving Variable-Length Dense Blocks

Neural Architecture Search (NAS) has emerged as a powerful paradigm for automatically designing deep neural ne

説明可能深層学習CNN画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

huggingfaceGitHubありHugging Faceあり2026-09-02

ShallowStream: Index Shallow then Answer Deep for Streaming Video Understanding

Streaming video understanding is a critical capability for real-world applications, including embodied intelli

深層学習軽量化・量子化画像テキスト動画

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-09-02

The Missing Temporal Link: Temporal Context Routing for Script-Driven Audio-Video Generation

Joint audio-video generation models have made substantial progress in visual quality and audio-visual synchron

品質予測/異常検知コンピュータビジョン動画認識生成画像テキスト

用途: 生成
難易度: Easy
コスト: High

huggingfaceGitHubありHugging Faceあり2026-09-02

Let Confidence Change, Not the Prediction: Prediction-Preserving Repair for Post-hoc Calibration

Post-hoc calibration corrects reported confidence, yet a multiclass calibrator can also change the associated

コンピュータビジョン画像分類画像

用途: 技術検証・論文読解補助
難易度: Easy
コスト: Low

huggingfaceHugging Faceあり2026-09-02

VeriPhy: Agentic Physical Reasoning for World Model Evaluation and Refinement

Visual fluency in generated video does not imply physical reliability, and a scalar quality score alone is inc

MI向き品質予測/異常検知コンピュータビジョンセグメンテーション検出生成画像

用途: 検出
難易度: Easy
コスト: High

When Metropolis and Hastings Meet Bradley and Terry: Exact MCMC From Preference Voting

Sampling from distributions conditioned on desired semantic properties is an emerging challenge in modern gene

自然言語処理大規模言語モデル生成画像テキスト

用途: 生成
難易度: Hard
コスト: High

An efficient EM algorithm for both element-wise and structural missingness in matrix-variate normal mixture models

Matrix-variate data with missing entries arise frequently in applications where observations are naturally org

深層学習軽量化・量子化画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Denoising Diffusion Generative Models Secretly Calculate Attentions

Denoising diffusion models are the dominant architecture for image generation, whereas most natural language g

用途: 生成
難易度: Hard
コスト: High

Diffusion models for eye-gaze trajectory generation using position and velocity representations

Eye-tracking data are expensive to collect, requiring specialized hardware and controlled laboratory condition

深層学習Transformer生成画像

用途: 生成
難易度: Hard
コスト: High

huggingfaceHugging Faceあり2026-09-01

EmbodiedSkills: A Unified Framework for Orchestrating, Training, and Deploying VLA Agents

Vision-language-action (VLA) models map visual observations and language instructions directly to robot action

自然言語処理RAG画像マルチモーダル

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

huggingfaceGitHubありHugging Faceあり2026-09-01

LatentPress: Context Compression Beyond Text and Vision

Compressed context is usually carried as human-readable text or as rendered images that must be decoded, even

自然言語処理プロンプトエンジニアリング要約画像テキスト

用途: 要約
難易度: Easy
コスト: High

コンピュータビジョン物体検出分類検出セグメンテーション

githubGitHubあり2026-09-01

yolov5 — Ultralytics YOLOv5 in PyTorch for object detection, instance segmentation, classification, training, and export.

YOLOv5という物体検出アルゴリズムをPyTorchから他の言語に変換できるライブラリ。

用途: 物体検出
難易度: Easy
コスト: High

arxivPaper only2026-08-31

Where Should Experience Live? Hierarchical Hebbian Memory for Continual Vision Transformers

Vision Transformers provide strong visual representations but typically rely on slowly updated parameters, lim

深層学習Transformer分類画像テキスト

用途: 分類
難易度: Hard
コスト: Low

arxivPaper only2026-08-31

"More Is Different'' in Neural Circuits: Algebraic Emergence of Effective Theories in Canonical Recurrent Motifs of Biological Neuronal Networks

Canonical neural circuit motifs are usually described functionally: divisive normalization rescales population

MI向き深層学習Transformer画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

githubGitHubあり2026-08-30

Open-DiffusionGS — Baking Gaussian Splatting into Diffusion Denoiser for Fast and Scalable Single-stage Image-to-3D Generation and Reconstruction (ICCV 2025)

Baking Gaussian Splatting into Diffusion Denoiser for Fast and Scalable Single-stage Image-to-3D Generation an

コンピュータビジョン3D・点群生成画像テキスト

用途: 生成
難易度: Easy
コスト: High

arxivPaper only2026-08-29

PathGuide: Dynamic Classifier-Free Guidance via On-Policy Transport Alignment

While modern generative models excel at modeling complex data, precise inference-time control in conditional g

表形式向き深層学習軽量化・量子化分類生成画像

用途: 分類
難易度: Hard
コスト: Low

huggingfaceHugging Faceあり2026-08-29

To See a World in a Living Context: Unified Indoor-Outdoor Urban World Generation

Text-driven 3D generation has advanced rapidly in creating large-scale outdoor environments and detailed indoo

用途: 生成
難易度: Easy
コスト: High

huggingfaceGitHubありHugging Faceあり2026-08-29

QCell: Recombining and Aligning Cell Queries for Overlapping Instance Segmentation

Instance segmentation of overlapping cells in microscopy remains challenging due to semi-transparent structure

コンピュータビジョンセグメンテーション画像

用途: セグメンテーション
難易度: Easy
コスト: Medium

arxivPaper only2026-08-27

Optimal Transport for Network Comparison: A Review with Machine Learning Applications

Network comparison using optimal transport is a growing area of research in network science. Unlike standard g

コンピュータビジョン動画認識画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

arxivPaper only2026-08-25

ORBITALIF: An Efficient Spiking Federated Learning Framework for Onboard Cloud Removal

Low-earth-orbit (LEO) satellites enable high-resolution, large-scale Earth observation for applications such a

品質予測/異常検知深層学習軽量化・量子化画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

arxivPaper only2026-08-25

Transition Systems from Causal Reversible Bundle Event Structures

Reversible computing is a novel paradigm that has recently emerged and extends traditional forwards-only compu

自然言語処理RAG画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Low

githubGitHubあり2026-08-24

Helios — Helios: Real Real-Time Long Video Generation Model

長時間のビデオ生成を実現するためのモデルのサポートを紹介している。

深層学習軽量化・量子化生成画像テキスト

用途: ビデオ生成
難易度: Easy
コスト: High

githubGitHubあり2026-08-22

deep-learning-drizzle — Drench yourself in Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision, and NLP by learning from these exciting lectures!!

Drench yourself in Deep Learning, Reinforcement Learning, Machine Learning, Computer Vision, and NLP by learni

数学・理論最適化分類画像音声

用途: 分類
難易度: Easy
コスト: Low

githubGitHubあり2026-08-20

ComfyUI-LTXVideo — LTX-Video Support for ComfyUI

医療画像分析で、深層學習モデルが実装されている問題に対する解決策を提示します。治療を導くために、批判的結果に影響を与える変化について特に重点が置かれています。

生成AI拡散モデル生成画像テキスト

用途: 医療画像を分析し治療を導く
難易度: Easy
コスト: High

arxivPaper only2026-08-19

HiRA-CAM: Preserving Fine-Grained Spatial Relevance in Gradient-Based Visual Explanations

Deep Learning models can include billions of parameters or more, making it difficult to explain their internal

説明可能深層学習CNN分類画像

用途: 分類
難易度: Hard
コスト: Low

arxivPaper only2026-08-19

The Role of Grid Cells in Reducing Spatial Aliasing in Hippocampal Place Representations

Spatial aliasing occurs when two or more distinct locations produce highly similar place-cell representations,

品質予測/異常検知コンピュータビジョンセグメンテーション画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

githubGitHubあり2026-08-16

FlowEdit — Official implementation of the paper: "FlowEdit: Inversion-Free Text-Based Editing Using Pre-Trained Flow Models"

画像エディティング用推論モデルの改良方法についての公式実装であるFlowEdit。

生成AI拡散モデル生成画像テキスト

用途: 画像エディティング用推論モデルの改良
難易度: Easy
コスト: High

arxivPaper only2026-08-14

Reducing ANN-SNN Conversion Error via Residual Membrane Potential Alignment

Spiking Neural Networks (SNNs) serve as core architectures for neuromorphic computing thanks to event-driven o

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

深層学習Transformer分類検出セグメンテーション

githubGitHubあり2026-08-13

pytorch-grad-cam — Advanced AI Explainability for computer vision. Support for CNNs, Vision Transformers, Classification, Object detection, Segmentation, Image similarity and more.

このライブラリは、コンピュータービジョンのための高度なAI解釈と可視化ソリューションです。このライブラリは、CNN、ビジョントランスフォーム、分類、物体検出、分割、画像類似度など、さまざまなコンピュータービジョンの

用途: AIの解釈と可視化ソリューション
難易度: Easy
コスト: Low

githubGitHubあり2026-08-13

OpenRLHF — An Easy-to-use, Scalable and High-performance Agentic RL Framework based on Ray (PPO & DAPO & REINFORCE++ & VLM & TIS & vLLM & Ray & Async RL)

OpenRLHFは、Ray上に構築された強化学習フレームワークです。このフレームワークは、PPO、DAPO、REINFORCE++など、様々な強化学習アルゴリズムをサポートしています。

用途: 強化学習フレームワーク
難易度: Easy
コスト: High

arxivPaper only2026-08-12

Lapis: Laplacian Spiking Attention via First-Spike Timing and Membrane Leakage

spiking vision transformersではQuery-Keyスコーリングが伝統的なDenseネットワークから継承されていたが、spike timingはspikingネットワークにおける自然変数である。L

用途: スパイクネットワーク間の関係を特定
難易度: Hard
コスト: High

githubGitHubあり2026-08-12

LanPaint — High quality training free inpaint for every stable diffusion model. Supports ComfyUI

画像生成のためのHigh Quality Training Free Inpaintを提供します。このInpaintはStable Diffusionモデルに使用でき、ComfyUIもサポートしています。

品質予測/異常検知生成AI拡散モデル生成画像音声

用途: 画像生成
難易度: Easy
コスト: High

arxivPaper only2026-08-11

Spiking Local Interaction and Adaptive Complementary Fusion for Spiking Transformer

Spiking Transformers model token interactions primarily through spiking self-attention (SSA). However, binary

深層学習Transformer分類セグメンテーション画像

用途: 分類
難易度: Hard
コスト: High

arxivPaper only2026-08-10

DSLE: A Learning Environment for Dark Souls Boss Encounters

We introduce the Dark Souls Learning Environment (DSLE), a containerized platform that presents all 22 boss en

強化学習モデルフリー (DQN / SAC)画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

arxivPaper only2026-08-09

Rethinking Attention Locality in Spiking Transformers

Spiking Transformers provide a promising paradigm for efficient visual processing with spike-driven computatio

深層学習Transformer分類検出セグメンテーション

用途: 分類
難易度: Hard
コスト: Low

arxivPaper only2026-08-08

High-Capacity Generalized Hopfield Networks

Generalized Hopfield networks are introduced where memories and neurons are continuous variables that lie on a

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

huggingfaceHugging Faceあり2026-08-07

Training-Free Speech-Centric Omni Understanding with Frozen VLMs

Audio-visual understanding remains challenging because models must jointly interpret spoken content, visual ev

センサ/時系列自然言語処理RAGQA画像テキスト

用途: QA
難易度: Easy
コスト: High

arxivPaper only2026-08-05

Emergence of Reputation-Based Cooperation in LLM Agents

Can cooperation among large language model (LLM) agents be evolutionarily stable against free-rider invasion?

用途: 生成
難易度: Hard
コスト: High

arxivPaper only2026-08-04

NeuroMosaic: Anatomically Grounded Multimodal Large Language Modeling for Molecularly Aware Glioma Reasoning from 3D MRI and Clinical Narratives

この研究では、3D MRIと臨床記録を活用した大規模言語モデルの開発を提唱。提案されたNeuroMosaicは、医療画像を解剖学的情報に基づく地域情報に変換し、臨床記録と分子情報に調整を行い、MRI領域との接続を確実にし

自然言語処理大規模言語モデル画像テキスト3D

用途: 多様な医療画像と臨床記録からがんの推定を実現
難易度: Hard
コスト: High

arxivGitHubあり2026-08-03

Spike-HTR: Spiking Neural Transformer for Handwritten Text Recognition

Handwritten Text Recognition (HTR) is computationally imbalanced in two ways: most image pixels are background

深層学習Transformer分類画像テキスト

用途: 分類
難易度: Easy
コスト: Low

arxivPaper only2026-08-03

SMM Transformer: Leveraging Spiking Neural Networks for Multimodal Tasks

Spiking Neural Networks (SNNs) enable event-driven computation with sparse activations, but building multimoda

深層学習Transformer画像マルチモーダル

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

arxivPaper only2026-08-01

A Bayes-Markov Neuromorphic Model of Cortical Orientation Selectivity: A Computational Re-implementation and Quantitative Simulation Study

The emergence of orientation selectivity in the primary visual cortex (V1) remains a central question in compu

説明可能深層学習Transformer画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

arxivPaper only2026-07-31

SILVA Networks as Structured Implicit Layers and Vector Attractors via Dynamic Interaction Fields

Many learning problems require representations that reconcile direct input, nearby structure, and broader cont

コンピュータビジョンセグメンテーション分類画像テキスト

用途: 分類
難易度: Hard
コスト: Low

arxivPaper only2026-07-29

An evolutionary model of animats with VLM-based subjective evaluation

In this study, we propose a framework that incorporates subjective evaluations provided by a Vision-Language M

コンピュータビジョンマルチモーダル画像テキスト

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

arxivPaper only2026-07-27

The K-SCAN Clustering Algorithm

大規模データを処理する環境では、クラスタリングアルゴリズムのスケーラビリティは重要である。Density-Based方法 (例: DBSCAN) では、ノイズや線形クラスタリングに対する強靭さがあるが、ノイズの有無や長い

深層学習軽量化・量子化画像

用途: クラスタリングアルゴリズムのスケーラビリティの向上
難易度: Hard
コスト: Medium

arxivPaper only2026-07-26

Limbomorphs

Artificial life systems are typically defined by a set of dynamical rules over an environment, an agent, or bo

コンピュータビジョン動画認識画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

arxivPaper only2026-07-22

The Giant Hippocampus: From Structural Monoculture to a System of Systems

この研究では、人工知能の研究者と神経科学者の間の分野を結びつけるために、脳のシステム構造を研究し、その研究から導かれた新しいアプローチを提案しました。

深層学習Transformer分類画像テキスト

用途: 脳のシステム構造とその応用
難易度: Hard
コスト: High

arxivPaper only2026-07-22

SpikingMOT: A Spike-Driven Multi-Object Tracker

Multi-object tracking (MOT) plays a fundamental role in visual perception, where accurate trajectory predictio

深層学習正規化・最適化手法画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

arxivPaper only2026-07-21

Spiking Neural Networks for fMRI-Based Visual Semantic Decoding

fMRIデータから視覚情報を解釈するために、スパイクニューラルネットワークを用いた方法を提案し、fMRIデータから視覚情報を解釈する検証を行う。

深層学習Transformer回帰画像

用途: fMRIから視覚情報の解釈
難易度: Hard
コスト: Medium