MLinfo | 機械学習・AI論文まとめ

mediapipe — Cross-platform, customizable ML solutions for live and streaming media.

mediapipeは、クロスプラットフォームでカスタマイズ可能なライブおよびストリーミングメディア向けのMLソリューションを提供している。

MLOpsモデルデプロイ音声動画

用途: ライブおよびストリーミングメディア用MLソリューション
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

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

onnxruntime — ONNX Runtime: cross-platform, high performance ML inferencing and training accelerator

FastVideoは、加速されたビデオ生成用に統一された推論およびポストトレーニングフレームワークです。

MLOpsモデルデプロイ

用途: クロスプラットフォーム高性能ML推論用エンジンの実現
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

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

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

品質予測/異常検知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

cvat — CVAT is a leading data annotation platform for image, video, audio, and 3D datasets. It offers open-source, cloud, and enterprise products, as well as labeling services, 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

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。

深層学習Transformer生成画像テキスト

用途: 高解像度画像合成
難易度: Easy
コスト: High

FastVideo — A unified inference and post-training framework for accelerated video generation.

FastVideoは、加速されたビデオ生成用の統合推論とポストトレーニングのフレームワークです。

深層学習軽量化・量子化生成動画

用途: ビデオ生成を加速する
難易度: Easy
コスト: High

FreeVideo — Make videos on the computer you already own. FreeVideo runs MiniMax H3 in as little as 8 GB of VRAM and 16 GB of RAM, and adapts its acceleration path to your hardware.

Make videos on the computer you already own. FreeVideo runs MiniMax H3 in as little as 8 GB of VRAM and 16 GB

生成AI拡散モデル生成動画

用途: 生成
難易度: Easy
コスト: High

MOVA — A foundation model that generates synchronized video and audio in a single model

統計チャートの生成は、タブラーのデータから生成することが難しい。新しい作成フローでは、データのスクリーン、プロット提案、コード生成、レンダリング、検証による改良が含まれる。

自然言語処理ファインチューニング生成テキスト音声

用途: 可視化された統計チャートの生成
難易度: Easy
コスト: High

githubGitHubあり2026-11-02

LTX-Video — Official repository for LTX-Video

Official repository for LTX-Video

生成AI拡散モデル生成画像テキスト

用途: 生成
難易度: Easy
コスト: High

githubGitHubあり2026-11-01

Helios — [TPAMI 2026🔥] 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2026-10-31

cs-video-courses — List of Computer Science courses with video lectures.

このリポジトリはコンピュータサイエンスのビデオコースの一覧を提供しています。

機械学習教師あり学習動画

用途: 教育資源の共有
難易度: Easy
コスト: High

githubGitHubあり2026-10-31

Prism — We propose Prism, a dynamic sparse attention framework for natively training joint video-audio generation models at 2K.

We propose Prism, a dynamic sparse attention framework for natively training joint video-audio generation mode

生成AI拡散モデル生成音声動画

用途: 生成
難易度: Easy
コスト: High

githubGitHubあり2026-10-31

SolarWM — Open data and scalable training for long-horizon video world models.

Open data and scalable training for long-horizon video world models.

深層学習Transformer生成画像動画

用途: 生成
難易度: Easy
コスト: High

githubGitHubあり2026-10-29

OpenWorldLib — Unified Codebase for Advanced World Models.

OpenWorldLibは、進化する世界モデルを提供する統一されたコードベースです。

コンピュータビジョン3D・点群生成動画3D

用途: 世界モデルを提供する
難易度: Easy
コスト: High

githubGitHubあり2026-10-27

Awesome-Video-Diffusion — A curated list of recent diffusion models for video generation, editing, and various other applications.

Awesome-Video-Diffusionは、Recent Diffusion Models for Video Generation, Editing, and Othersのリストを公開しています。

生成AI拡散モデル生成動画

用途: ビデオ生成や編集の問題を解決する
難易度: Easy
コスト: High

品質予測/異常検知深層学習軽量化・量子化生成テキスト動画

githubGitHubあり2026-10-24

Causal-Forcing — [ICML 2026] Official codebase for "Causal Forcing: Autoregressive Diffusion Distillation Done Right for High-Quality Real-Time Interactive Video Generation" & Causal Forcing++

この論文では、Causal-Forcing: Autoregressive Diffusion Distillation Done Right for High-Quality Real-Time Interactive

用途: 高品質のビデオ生成を実現する。
難易度: Easy
コスト: High

githubGitHubあり2026-10-21

wunjo.wladradchenko.ru — Wunjo Make: Face Swap, Lip Sync, Control Remove Objects & Text & Background, Restyling, Audio Separator, Clone Voice, Video Generation. Open Source, Local & Free.

Wunjo Make: Face Swap, Lip Sync, Control Remove Objects & Text & Background, Restyling, Audio Separator, Clone

生成AI拡散モデル生成テキスト音声

用途: 生成
難易度: Easy
コスト: High

githubGitHubあり2026-10-20

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

githubGitHubあり2026-10-16

FlashVSR — [CVPR 2026] Towards Real-Time Diffusion-Based Streaming Video Super-Resolution — An efficient one-step diffusion framework for streaming VSR with locality-constrained sparse attention and a tiny conditional decoder.

この研究では、ストリーミングでのビデオ超解像化を実現する一ステップのディフュージョンフレームワーク「FlashVSR」を提案しています。このフレームワークは、局所制限の疎注意と小さい条件的デコーダを組み合わせて、効率的に

深層学習軽量化・量子化動画

用途: ストリーミングでのビデオ超解像化の実現
難易度: Easy
コスト: High

githubGitHubあり2026-10-08

HunyuanVideo — HunyuanVideo: A Systematic Framework For Large Video Generation Model

画面の生成モデルであるHunyuanVideoを開発した。HunyuanVideoは、複雑なシーケンスを生成する能力を持つ。

深層学習Transformer生成動画

用途: 画面の生成モデルへの応用
難易度: Easy
コスト: High