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。

機械学習教師あり学習画像

用途: 全システム観察
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

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

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

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

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。

機械学習教師あり学習画像

用途: データアプリ作成
難易度: Easy
コスト: Medium

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

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。

機械学習教師あり学習画像

用途: 写真管理
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

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

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

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

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

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

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

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

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

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

Methane Detection On Board Satellites from Unorthorectified Imagery

As a potent greenhouse gas, methane is a major driver of climate change. Its effective mitigation relies on ti

センサ/時系列機械学習教師あり学習検出画像

用途: 検出
難易度: Hard
コスト: High

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

SciDocBench: A Workflow-Centered Benchmark and Data Pipeline for Scientific Document Understanding

Scientific papers require models to reason jointly over text, equations, figures, tables, code, and datasets w

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

VICAL: Vicinal Consistency Alignment for Long-Tailed Visual Recognition

Multi-expert models have become the dominant paradigm for long-tailed learning, largely attributed to their pr

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: Easy
コスト: Low

表形式向き品質予測/異常検知自然言語処理RAG画像教師あり自己教師

Leveraging Imperfect Restoration for Data Availability Attack

The abundance of online data is at risk of unauthorized usage in training deep learning models. To counter thi

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Think-Verify-Revise: Neuro-Symbolic Visual Reasoning with Vision-Language Models and Dynamic Logic Tensor Networks

Visual reasoning tasks require a system to jointly perceive visual content and apply formal relational constra

深層学習CNN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

Real-World Multi-Modal and Longitudinal Lung Cancer Dataset

Multi-modal learning has demonstrated strong potential in medical applications by integrating heterogeneous da

強化学習方策勾配 (PPO / A3C)画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

品質予測/異常検知深層学習軽量化・量子化生成画像テキスト

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

用途: 生成
難易度: Hard
コスト: High

説明可能品質予測/異常検知深層学習Transformer生成セグメンテーション画像

Bridging Modalities and Tasks: A Unified Hierarchical ViT for SAR-to-Optical Translation and Semantic Segmentation

Synthetic Aperture Radar (SAR) images have all-weather, day-and-night observation capabilities. However, compa

用途: 生成
難易度: Easy
コスト: Medium

HiSfM: Disambiguating Structure-from-Motion via Scaffold-Anchored Hierarchical Reconstruction

Structure-from-Motion (SfM) is a fundamental tool for sparse 3D reconstruction with broad impact in robotics a

深層学習軽量化・量子化検出画像3D

用途: 検出
難易度: Hard
コスト: High

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

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

RARF: Region-Aware Rectified Flows for 3D Brain MRI Inpainting

Medical image inpainting has the potential to improve automated brain MRI analysis by reconstructing healthy t

用途: 生成
難易度: Hard
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

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

VISTA: Dense Multi-Label Classroom Coding with Vision-Language Models

Video-language benchmarks are usually constructed by the dataset authors without published reliability statist

深層学習軽量化・量子化画像テキスト音声

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分類生成画像

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

用途: 分類
難易度: Hard
コスト: High

Urban Boundaries, Social Barriers: A Benchmark and Vision-Centric Framework for Mapping Gated Communities and Equity Implications

Communities are fundamental spatial units that shape urban form and social life. Whether a residential compoun

深層学習Transformer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RAG分類セグメンテーション画像

ENEAS: Embedding-guided Neural Ensemble for Adaptive Segmentation

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

用途: 分類
難易度: Hard
コスト: High

少数データ向き深層学習グラフニューラルネット分類画像テキスト

Semantic-Aware Subgraph State Space Model for WSI Classification in Histopathology

Histopathological subtyping relies on the recognition of characteristic histological patterns. These patterns

用途: 分類
難易度: Hard
コスト: High

Auditing Patient Privacy in Medical Generative Models: Scalable Memorization Detection with DeepSSIM++

While deep generative models offer new opportunities for medical image synthesis and data sharing, their abili

深層学習Transformer検出生成画像

用途: 検出
難易度: Hard
コスト: High

FoRIS: Progressive Foreground Refinement for Training-Free In-Context Segmentation

In-Context Segmentation (ICS) aims to precisely segment arbitrary semantic concepts, such as objects or parts,

自然言語処理RAG検出セグメンテーション画像

用途: 検出
難易度: Hard
コスト: High

Counting Animals in Camera-Traps Image Sequences without Count Labels: Winning Solution to the iWildCam 2021 Challenge

Camera traps have become an essential tool for wildlife monitoring, motivating the development of computer vis

コンピュータビジョン動画認識分類検出画像

用途: 分類
難易度: Hard
コスト: High

huggingfaceHugging Faceあり2026-09-03

The Attention Triangle in Audio-Video Models

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

品質予測/異常検知深層学習Attention機構生成画像テキスト

用途: 生成
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。

深層学習Transformer画像

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

Learning to Zoom Efficiently with a Contrastive Curriculum

Using a zoom-in tool is an important foundational part of modern visual agents, because it allows to efficient

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

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: Hard
コスト: High

深層学習Transformer分類セグメンテーション画像

ProgResViT: Progressive Resolution and Width for Adaptive Vision Transformers

Vision Transformers (ViTs) typically process every image using a fixed input resolution and model width, even

用途: 分類
難易度: Easy
コスト: Low

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分類画像

From Multi-Fisheye Sensing to Panoramic Perception: A Parallax-Aware Onboard Platform for Ultra-Low-Altitude UAVs

Ultra-low-altitude unmanned aerial vehicles (UAVs) require surround vision near buildings, vegetation, and oth

用途: 分類
難易度: Easy
コスト: Low

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

huggingfaceHugging Faceあり2026-09-02

SolarWM: Open Data and Scalable Training for Long-Horizon Video World Models

We introduce SolarWM, a fully open foundation for building interactive video world models from data preparatio

品質予測/異常検知深層学習軽量化・量子化画像動画

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

センサ/時系列コンピュータビジョン3D・点群画像3D

arxivGitHubあり2026-09-01

Adaptive Depth-Map-Guided Bundle Adjustment for Correspondence-Free Multi-View Point Cloud Registration

Robotic processing of irregular steel scrap requires dense 3-D measurement to replace manual visual assessment

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2026-09-01

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

huggingfaceGitHubありHugging Faceあり2026-09-01

On the Design Fundamentals of Pixel Text Representation Learning

Text-rich visual inputs require models that can read, retrieve, and compress language directly in pixel space,

自然言語処理大規模言語モデル埋め込み画像テキスト

用途: 埋め込み
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-09-01

A Glance Is All You Need: Single-Pass Fine-Grained Image Captioning with SimLoss

An image may be worth a thousand words, but most captioning models describe it in only a few. Modern vision-la

MI向き品質予測/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

用途: 生成
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-09-01

Autoregressive Mosaics: Probing 2D Spatial Reasoning in Text-Only Language Models

Large language models (LLMs) trained only on text and code can sometimes generate programs that draw recogniza

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: Easy
コスト: High

huggingfaceHugging Faceあり2026-09-01

Kirin: Animal Motion Generation from In-the-Wild Video

Understanding animal motion is fundamental to modeling animal behavior and biomechanics, yet progress in this

品質予測/異常検知自然言語処理RAG生成画像テキスト

用途: 生成
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

CoLT-Drive: Counterfactual Long-Tail Benchmarking and Knowledge-Preserving Adaptation for Driving Affordance Prediction

Long-tail autonomous driving failures are often framed as rare-object recognition errors. We argue that this v

深層学習軽量化・量子化分類画像

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画像テキスト

Beyond Textual Chain-of-Thought: A Survey on Action-Grounded Reasoning in Autonomous Driving

Chain-of-thought (CoT) reasoning powers generative models by eliciting intermediate steps before producing an

用途: 生成
難易度: Easy
コスト: Medium

GAFT: Geo-Anchored Fine-Tuning for Hazard Identification from Rare Failures

Off-road navigation can fail when physical structures induce irrecoverable states such as high-centering or en

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: 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

Failure or Drift? Evaluating Monocular SLAM under Synthetic and Real-World Corruptions

Visual SLAM is commonly evaluated on clean trajectories, although deployment failures are often caused by adve

用途: 技術検証・論文読解補助
難易度: Easy
コスト: Medium

huggingfaceHugging Faceあり2026-08-31

NeoMME: A Single-Tower Multimodal-Native Multilingual Foundation Encoder for Efficient Fine-Tuning and Inference

Multimodal models often build on architectures designed for generative vision-language modeling, typically com

深層学習Transformer生成画像テキスト

用途: 生成
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-08-31

FoldingAgent: Inferring Parametric Origami Procedures from Demonstration Videos

We present FoldingAgent, an agentic framework for inferring explicit parametric folding programs directly from

自然言語処理RAG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2026-08-30

SnapBench: Benchmarking Snap-and-Ask Multimodal Retrieval for Mobile Interactions

Mobile AI acts as a visual oracle, empowering users to snap a picture of something and ask for information. Sn

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: Easy
コスト: High

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

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

自然言語処理RAG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2026-08-29

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

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

huggingfaceGitHubありHugging Faceあり2026-08-19

Beyond Visual Similarity: Entity-Aligned Retrieval for Knowledge-Based Visual Question Answering

Knowledge-Based Visual Question Answering (KB-VQA) relies on retrieving external information to answer queries

深層学習軽量化・量子化QA画像

用途: QA
難易度: Easy
コスト: High

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

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。

深層学習Transformer画像

用途: 強化学習フレームワーク
難易度: Easy
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

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

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