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検出セグメンテーション

ultralytics — Ultralytics YOLO27, 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

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

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-V4.1, 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

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

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

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。

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

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

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

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

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

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

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

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

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

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

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

Computer-Use Agents Gain Little Benefit from a World Model When Conditioned on Tutorials

Recent work has improved computer-use agents (CUAs) by combining retrieved task-relevant tutorials and look-ah

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

WebHarbor: Docking Real Websites for Evolving GUI Agent Environments

GUI web agents require realistic and interactive environments that remain stable during both evaluation and tr

深層学習軽量化・量子化画像強化学習

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Progressive Multi-Scale Super-Resolution via Cascaded Bicubic Anchors and Inter-Scale Mutual Refinement

Super-resolution networks are trained for one magnification factor, so several output resolutions require seve

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: High

コンピュータビジョンマルチモーダル検出画像テキスト

Every Pixel Is an Option: A System One Model for Medical Ultrasound Biometry

**Purpose:** Ultrasound biometry is widely used across various clinical applications, including prenatal and c

用途: 検出
難易度: Hard
コスト: High

One Image Is Enough: Self-Generated Supervision for Personalizing Human Video Diffusion at Test Time

Pose-driven human video diffusion animates a person from a single reference image and a target pose sequence,

コンピュータビジョンセグメンテーション画像動画

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Contrastive Adapter Training and Consensus Knowledge Distillation for Multi-Source-Free Domain Adaptation in Skin Cancer Diagnosis

Skin cancer diagnosis, particularly differentiating melanoma from benign nevi, is challenging due to the visua

深層学習Transformer画像教師なし

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

MultiInpaintCOCO: Fine-Grained Visual Understanding in Multiple Languages

Previous research shows that vision-language (VL) models struggle to understand fine-grained image details and

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

SMILE: A Structured Multi-Agent Clinical Reasoning for Liver Ultrasound Understanding

Automated liver ultrasound report generation improves the diagnosis of liver diseases by producing clinically

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

品質予測/異常検知深層学習軽量化・量子化画像テキスト

VisCodeBench: a new benchmark dataset for Text-to-Vis reflecting real-world practice

Generating visualisations from natural language requests (text-to-vis) enables users to explore data more effi

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画像テキストマルチモーダル

FlowBench: Counterfactual Imagination Training for Spatial Intelligence

Humans imagine scene changes under hypothetical motions, an ability central to spatial reasoning and robotic p

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

センサ/時系列深層学習軽量化・量子化分類セグメンテーション画像

ASCoR: Asymmetric Semantic-Spatial Learning for Remote Sensing Domain Generalization

Source-only domain generalization (DG) for remote sensing semantic segmentation seeks reliable predictions in

用途: 分類
難易度: Hard
コスト: High

センサ/時系列自然言語処理ファインチューニング分類検出画像

ArabGeoText: Tool-Augmented Vision-Language Models for Arabic Geospatial Text Spotting

Geospatial text spotting involves locating and transcribing geographic labels, such as road names, district na

用途: 分類
難易度: Hard
コスト: High

SurgPace: Complexity-Aware Progressive Distillation for Surgical Multimodal Large Language Models

Multimodal large language models (MLLMs) have shown strong potential in robotic surgery for question answering

深層学習軽量化・量子化QA画像テキスト

用途: QA
難易度: Hard
コスト: High

3D Gaussian Splatting within Self-Learned Neural View-Dependent Color Fields

3D Gaussian Splatting (3DGS) has become a vital tool in novel view synthesis. 3D Gaussian functions with attri

深層学習Transformer生成画像3D

用途: 生成
難易度: Hard
コスト: High

センサ/時系列深層学習軽量化・量子化分類画像マルチモーダル

Cross-Layer Refinement and Frequency-aware Fusion Network for Multi-Source Remote Sensing Image Classification

Multi-source remote sensing image classification benefits from complementary spectral and structural informati

用途: 分類
難易度: Hard
コスト: High

Efficient Hybrid Distillation: Synergizing Score and Adversarial Objectives for One-Step Diffusion

Numerous distillation methods have been developed to accelerate diffusion models. Recent research indicates th

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

説明可能品質予測/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画像テキスト

PriCBMs: Multi-granular Concept Bottleneck Vision-Language Models for Visual Privacy Recognition

Widespread image sharing on social media has increased the need for visual privacy recognition to identify ina

用途: 分類
難易度: Hard
コスト: High

少数データ向き品質予測/異常検知画像検査自然言語処理プロンプトエンジニアリング検出生成異常検知

VerdictAD: Few-Shot Anomaly Detection via Decision-Guided Refinement

Detecting defects in real-world industrial inspection often requires learning from only a few normal images pe

用途: 検出
難易度: Hard
コスト: High

TERA: Task-Evidence Restoration for Underwater Object Detection under Bandwidth-Constrained Transmission

Underwater object detectors are typically evaluated on pre-transmission images, overlooking additional degrada

自然言語処理RAG検出画像

用途: 検出
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検出画像テキスト

Exploiting Textual Semantics for Robust Cross-View Object Correspondence

Cross-view object correspondence (CVOC) aims to establish associations of the same target between query and se

用途: 検出
難易度: Hard
コスト: High

FineCraft: Enhancing VLA Models for Fine-Grained Manipulation

Fine-grained manipulation couples instruction grounding, local visual precision, and sustained execution. We p

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: High

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

深層学習Transformerセグメンテーション画像

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

LTX-Video — Official repository for LTX-Video

Official repository for LTX-Video

用途: 生成
難易度: Easy
コスト: High

Awesome-Controllable-T2I-Diffusion-Models — A collection of resources on controllable generation with text-to-image diffusion models.

A collection of resources on controllable generation with text-to-image diffusion models.

用途: 生成
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

センサ/時系列深層学習Transformer検出予測画像

arxivGitHubあり2026-11-01

Forecasting Earth Surface Change in Embedding Space

Repeated satellite imagery permits understanding of how our planet changes over time, letting us predict its f

用途: 検出
難易度: Hard
コスト: High

センサ/時系列自然言語処理ファインチューニング生成画像テキスト

arxivGitHubあり2026-11-01

EarthJev: Calibrated, Non-Generative Answers to Natural-Language Questions about Sentinel-2 Land Cover

Vision-language models for remote sensing answer questions about satellite images by generating text: every an

用途: 生成
難易度: Hard
コスト: High

huggingfaceHugging Faceあり2026-11-01

When Does Latent Prediction Error Support Physical Surprise Claims in Video World Models?

Prediction errors from video world models are often treated as physical surprise, but they can also reflect ap

コンピュータビジョンセグメンテーション画像動画

用途: 技術検証・論文読解補助
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

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

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

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

深層学習Transformer分類検出セグメンテーション

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

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

arxivGitHubあり2026-10-31

Auriga Technical Report: A Task-Agnostic Agent Harness for Zero-Shot Embodied Manipulation

Vision-language models can interpret instructions and plan manipulation tasks, yet struggle when acting direct

自然言語処理大規模言語モデル画像テキスト3D

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

githubGitHubあり2026-10-31

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

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

表形式向きコンピュータビジョンセグメンテーション分類回帰埋め込み

arxivGitHubあり2026-10-30

KINDER: Kernel-based Independence for Fair Representation Learning via Prototype-space Erasure

Concept erasure is a prominent approach to achieving fairness in machine learning through the removal of sensi

用途: 分類
難易度: Hard
コスト: High

arxivGitHubあり2026-10-30

PGGT-Loc: Primitive-Grounded Geometry Transformer for Feed-Forward Camera Localization

Camera localization methods are mostly multi-stage pipelines relying on dedicated and complex maps that are co

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

arxivGitHubあり2026-10-30

OpenVIO: A Versatile Open-Source Visual-Inertial Odometry System

Visual-inertial odometry (VIO) is a fundamental topic in robotics research. Beyond research, VIO has been adop

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

huggingfaceHugging Faceあり2026-10-30

Latent Reasoning in Continuous Space for Unified Multimodal Models

Unified Multimodal Models (UMMs) achieve remarkable success on diverse multimodal understanding and generation

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

用途: 生成
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-10-30

ReLift: Dense 3D Tracking as Lifted Trajectory Repair

Dense 3D tracking from monocular video requires establishing point correspondences over time, estimating their

深層学習軽量化・量子化画像動画3D

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-10-30

SketchDirector: Complex Scene Sketching via Agentic Layout Reasoning and Detail Refinement

Existing sketch generation methods often rely on image guidance and are largely limited to individual objects

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

用途: 生成
難易度: Easy
コスト: High

品質予測/異常検知生成AI動画生成生成画像テキスト

Video Generation Meets Agent Harness: Agentic Video Generation, Agentic World Modeling and Recursive Self-Improvement

Video generation is shifting from end-to-end synthesis toward agentic generation, where planning, tool use, an

用途: 生成
難易度: Easy
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

Diagnosing the Reference Gap: What Visual Scaffolds Can and Cannot Fix in Multimodal Reasoning

Multimodal large language models can recognize visual content yet struggle to reason reliably over it across m

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

WorldFlow: Joint Video and 3D Motion Prediction via Large-Scale Pretraining

Predicting future physical states stands as a central challenge in embodied intelligence. Existing video world

深層学習Transformer生成画像動画

用途: 生成
難易度: Easy
コスト: High

huggingfaceGitHubありHugging Faceあり2026-10-29

Where Do Vision Language Models Fail at 3D Reasoning?

Vision-language models can get individual judgments right while struggling to recover and consistently use the

自然言語処理ファインチューニング画像テキスト3D

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

Apriel Voice 27B Preview: An Open Model for Speech, Reasoning, and Tool Use

A capable voice assistant must do more than recognize words; it must understand requests, reason over context,

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: Easy
コスト: High

品質予測/異常検知深層学習Transformer生成画像動画

Wizard: Manipulate Any World in Real Time via Agentic Control

Recent advances in video world models have enabled the generation of increasingly realistic and interactive vi

用途: 生成
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生成画像マルチモーダル

HiFOR: Hierarchical Foresight with Action-Guided World Grounding for Vision-Language-Action Model

Vision-Language-Action (VLA) models have demonstrated promising capabilities in robotic manipulation by integr

用途: 生成
難易度: Easy
コスト: High

Probing Spatial State Representations in Visual Foundation Models

An observer sees only part of the surrounding world, yet must keep track of what lies beyond the current view.

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: Easy
コスト: Low

WorldBridge: Bridging Video and Action for Task Generalization in World Action Models

Achieving the broad task generalization of embodied models in physical environments remains a central challeng

自然言語処理RAG異常検知画像動画

用途: 異常検知
難易度: Easy
コスト: High

品質予測/異常検知深層学習Transformer生成画像

No Channels Left Behind: Understanding Diffusion Acceleration through Residual Gates

Training acceleration methods for diffusion transformers, such as REPA and dispersive regularization, are comm

用途: 生成
難易度: Easy
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

L3G-World: Real-Time Infinite World Generation with Latent 3D Gaussian Memory

Interactive world models generate visual content conditioned on user actions, yet maintaining spatial consiste

用途: 生成
難易度: Easy
コスト: High

HairDeck: Animation-Ready Stylized Hair Cards from a Single Image

The hair of stylized characters in games and avatars is built from hair cards: artist-placed ribbons whose geo

深層学習Transformer画像3D

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2026-10-29

Intrinsic Distribution Matching

One-step and few-step text-to-image generation must accurately render the details specified in the prompt desp

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: Low

Youtu-Parsing-Omni: One Encoder, One Schema, All Modalities

We present Youtu-Parsing-Omni, an omni-modal parser that converts documents, images, audio, and video into str

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: Easy
コスト: High

EditAgent: Rethinking Agentic Image Editing

Agentic image editors decompose complex requests into steps, but when a step fails, they mostly retry with the

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: Easy
コスト: High

Online Dense Reinforcement Learning with Planning-Grounding Agent for UI Navigation on Live IOS Apps

While frontier vision-language models demonstrate strong capabilities in user interface (UI) navigation, their

深層学習軽量化・量子化異常検知画像テキスト

用途: 異常検知
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生成画像テキスト

PhysInsert: Physically Plausible Object Insertion with Geometric Priors and Bidirectional Object-Scene Interactions

We present PhysInsert, a framework for physically plausible reference-based object insertion that jointly adap

用途: 生成
難易度: Easy
コスト: High

huggingfaceGitHubありHugging Faceあり2026-10-29

Unlocking Any-Order Generation in Pretrained Autoregressive Image Models

Autoregressive (AR) image generators are powerful in principle but inflexible in practice: training with a fix

自然言語処理大規模言語モデル生成画像

用途: 生成
難易度: Easy
コスト: High

githubGitHubあり2026-10-29

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

huggingfaceHugging Faceあり2026-10-28

IntReal: A Real-World Dataset and Benchmark for Multimodal Interleaved Generation

Humans routinely consume multimodal content, where textual and visual information is naturally interleaved. Al

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

用途: 生成
難易度: Easy
コスト: High

FrameForge: Harnessing Priors of Video Foundation Models for Unified Image Generation

Unified conditional image generation requires a single model to preserve different aspects of a visual input w

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

Venus-DefakerOne2: A Vision-Forensics Foundation Model with Broader Coverage

Real-world forgery is inherently heterogeneous: it manifests not only as digital manipulation but also as phys

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

Look Only When Needed: Certificate-Guided Visual Routing for Efficient Diffusion VLMs

Diffusion vision-language models (DVLMs) process their entire input at every denoising step. Since visual toke

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: Easy
コスト: High

Know, then Draw: A New Learning Paradigm for Visual Generation

Visual generation requires both high-level semantic knowledge and fine-grained pixel details. We propose a lea

品質予測/異常検知生成AI拡散モデル生成回帰画像

用途: 生成
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-10-26

OSWAM: An Effective World Action Model with One-Step Action Generation

Direct-policy World Action Models (WAM) have demonstrated the benefits of decoupling action generation from ex

品質予測/異常検知深層学習軽量化・量子化生成画像

用途: 生成
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-10-26

Co-Design Bench: Multimodal Collaborative Coding Evaluation for Agentic Models

Evaluating human-AI co-design requires testing whether coding agents can translate real users' multimodal requ

自然言語処理大規模言語モデル画像テキスト音声

用途: 技術検証・論文読解補助
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-10-26

OmniShowcase: Omnidirectional Subject-Consistent Video Generation from Multi-View Images

Generating videos of a specific subject from a few reference images remains challenging when the camera reveal

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テキスト

用途: 生成
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-10-25

HuGe: Scaling Humanoid Generalist Vision-Language-Action Models with Egocentric Experience

Extending Vision-Language-Action models (VLAs) to humanoid robots requires coordinated whole-body control and

自然言語処理ファインチューニング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

huggingfaceHugging Faceあり2026-10-24

PreView: Enhancing GUI Grounding with Preprocessed Views and Cues

GUI grounding requires locating small controls in cluttered screenshots and identifying which control a natura

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: Easy
コスト: High

huggingfaceHugging Faceあり2026-10-23

A Broader Look into MLLM's Retrieval Heads

Locating relevant evidence in long inputs is a core capability of Multimodal Large Language Models. Prior stud

自然言語処理大規模言語モデル検索画像テキスト

用途: 検索
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-10-23

Efficient Streaming Audio-Visual Target Speaker Extraction for Real-World Acoustic Scenes

Streaming audio-visual target speaker extraction (AVTSE) is essential for latency-sensitive applications. Howe

センサ/時系列品質予測/異常検知深層学習軽量化・量子化画像音声

用途: 技術検証・論文読解補助
難易度: Easy
コスト: Medium

huggingfaceHugging Faceあり2026-10-23

OmniSpectra: A Unified Foundation Model for Universal Spectra Representation Learning

Standard sequence models encode position by token rank rather than physical coordinate, typically forcing prac

自然言語処理埋め込み・検索埋め込み画像

用途: 埋め込み
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-10-22

GLOW-FM: Efficient Generative Low-Light Image Enhancement with One-Step Latent Flow Matching

Low-light image enhancement (LLIE) aims to recover well-exposed and perceptually faithful images from severely

品質予測/異常検知深層学習軽量化・量子化生成画像

用途: 生成
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-10-22

VibeGame: Prompt-to-Game Development with AI-Native Engine and Self-Evolving Adversarial Agent Team

Large language model agents have enabled software development through natural-language interaction, but extend

自然言語処理大規模言語モデル画像テキスト

用途: 技術検証・論文読解補助
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。

用途: 医療画像を分析し治療を導く
難易度: Easy
コスト: High

huggingfaceHugging Faceあり2026-10-15

When Morphs Look Better: Face Image Quality as a Training-Free Signal for Morphing Attack Detection

Face image quality assessment (FIQA) estimates the utility of a face image for automated face recognition and

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

用途: 分類
難易度: Easy
コスト: High

githubGitHubあり2026-10-12

DiffusionOPSD — 🔥 On-Policy Self-Distillation in Diffusion Models

🔥 On-Policy Self-Distillation in Diffusion Models

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2026-10-11

SIMIT: Self-Improving Vision-Language Models via Imagination at Test-Time

We introduce SIMIT, a test-time self-improvement framework in which a vision-language model creates its own qu

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

用途: 生成
難易度: Easy
コスト: High

githubGitHubあり2026-10-09

bullet3 — Bullet Physics SDK: real-time collision detection and multi-physics simulation for VR, games, visual effects, robotics, machine learning etc.

Bullet Physics SDK: real-time collision detection and multi-physics simulation for VR, games, visual effects,

強化学習検出画像

用途: 検出
難易度: Easy
コスト: Medium