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

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, 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。

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

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

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

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

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

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

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

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

"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

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

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

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

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

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

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。

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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。

深層学習Transformer画像

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

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

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

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

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