githubGitHubあり2026-09-09
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
→
「video」の検索結果
40 件githubGitHubあり2026-09-08
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。
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
- 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
→
githubGitHubあり2026-09-08
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
→
githubGitHubあり2026-09-08
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
→
githubGitHubあり2026-09-08
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。
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
- データのラベル付けと管理
- 難易度
- Easy
- コスト
- High
→
githubGitHubあり2026-09-08
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。
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
- 用途
- イメージ注釈
- 難易度
- Easy
- コスト
- High
→
githubGitHubあり2026-09-08
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
→
githubGitHubあり2026-09-08
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
→
githubGitHubあり2026-09-08
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
→
githubGitHubあり2026-09-08
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
→
githubGitHubあり2026-09-08
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2026-09-07
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2026-09-06
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2026-09-04
Awesome-Video-Diffusion-Models — [CSUR] A Survey on Video Diffusion Models
この論文では、映像 diffuision モデルを用いて変化する動画の差分を予測する方法を説明する。
生成AI拡散モデル生成テキスト動画
- 用途
- 変化する動画の差分予測
- 難易度
- Easy
- コスト
- High
→
arxivGitHubあり2026-09-03
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
→
arxivGitHubあり2026-09-03
The Shape of Time: Video-Token Contrast for Temporal Understanding in VideoLMs
Seeing frames in order does not mean representing time. Modern VideoLMs receive ordered video streams, yet the
コンピュータビジョンセグメンテーション生成テキスト動画
- 用途
- 生成
- 難易度
- Hard
- コスト
- High
→
arxivGitHub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
- Hard
- コスト
- High
→
arxivGitHubあり2026-09-03
Do Video Generators Track the World Across Segments? A Benchmark and Method for World-State Reasoning in Video Continuation
Video generators build long videos by composing shorter parts, either by generating segments one after another
コンピュータビジョン生成動画
- 用途
- 生成
- 難易度
- Hard
- コスト
- High
→
arxivGitHubあり2026-09-03
EraseSAE: Surgical Concept Erasure in Text-to-Video Diffusion Models via Sparse Autoencoders
Recent advances in text-to-video (T2V) diffusion models have demonstrated remarkable generative capabilities,
説明可能品質予測/異常検知深層学習CNN生成テキスト動画
- 用途
- 生成
- 難易度
- Hard
- コスト
- High
→
arxivGitHubあり2026-09-03
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
→
arxivGitHub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
- Hard
- 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
→
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
→
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
→
githubGitHubあり2026-09-01
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
→
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
→
githubGitHubあり2026-08-31
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
→
githubGitHubあり2026-08-28
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
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
- 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2026-08-27
TurboDiffusion — TurboDiffusion: 100–200× Acceleration for Video Diffusion Models
画像認証システムにおける悪用された画像からの画像の認証方法を提示しました。
深層学習軽量化・量子化生成動画
- 用途
- 画像認証システムの改良
- 難易度
- Easy
- コスト
- High
→
githubGitHubあり2026-08-25
wunjo.wladradchenko.ru — Wunjo CE: Face Swap, Lip Sync, Control Remove Objects & Text & Background, Restyling, Audio Separator, Clone Voice, Video Generation. Open Source, Local & Free.
Wunjo CE: Face Swap, Lip Sync, Control Remove Objects & Text & Background, Restyling, Audio Separator, Clone V
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
→
arxivGitHubあり2026-08-24
Hierarchical Exponential-Gaussian Mixtures for Watch-Time Distribution Prediction
Accurate watch-time (WT) prediction is an important requirement for short-video recommendations. Yet WT distri
説明可能コンピュータビジョンマルチモーダル動画
- 用途
- 技術検証・論文読解補助
- 難易度
- Hard
- コスト
- High
→
githubGitHubあり2026-08-24
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2026-08-23
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2026-08-21
aarambh-studio — 🦀 Decoder-only LLM built from scratch in pure Rust using Candle — no Python, no PyTorch. Gated DeltaNet + sparse attention, fine-grained MoE, native video/document understanding, long-horizon tool agents, quantization-aware training. Scales: Tiny (25M) to Large (1.3B).
Rust言語でCandleライブラリを利用して、PythonやPyTorchを使用せずにDecoder-only LLMを自作した。
深層学習軽量化・量子化テキスト動画マルチモーダル
- 用途
- Decoder-only LLMをビルドする
- 難易度
- Easy
- コスト
- High
→
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2026-08-15
awesome-artificial-intelligence — A curated list of Artificial Intelligence (AI) courses, books, video lectures and papers.
awesome-artificial-intelligenceは、人工知能に関する教材、アートcles、講義等を集め、提供しているオープンソースプロジェクトです。
機械学習教師なし学習動画教師なし
- 用途
- AIに関するリソースの集めと提供
- 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
→