githubGitHubあり2026-11-04
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
→
「video」の検索結果
51 件githubGitHubあり2026-11-04
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2026-11-04
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2026-11-04
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
→
githubGitHubあり2026-11-03
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2026-11-03
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2026-11-03
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。
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
- 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2026-11-03
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2026-11-03
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2026-11-03
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2026-11-03
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
→
githubGitHubあり2026-11-03
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
→
arxivGitHubあり2026-11-02
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
→
arxivGitHubあり2026-11-02
Geometry-Constrained Dynamic Hypergraph Convolutional Network with Contrastive Score Refinement for Skeleton-Based Action Recognition
Skeleton-based action recognition is a pivotal task in computer vision; however, conventional Graph Convolutio
深層学習CNN分類動画
- 用途
- 分類
- 難易度
- Hard
- コスト
- High
→
arxivGitHubあり2026-11-02
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
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
- 用途
- 検出
- 難易度
- Hard
- コスト
- High
→
huggingfaceHugging Faceあり2026-11-02
Lab2Sim: Turning Real-World Experiment Videos into Interactive Virtual Experiments
Science experiment videos demonstrate how experiments are performed, but offer no direct interaction for learn
コンピュータビジョンマルチモーダル生成動画
- 用途
- 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
→
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
→
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
→
huggingfaceHugging Faceあり2026-10-31
Wave Forcing: Towards Speed-of-Light Streaming Video Generation
Real-time long-video generation requires continuous output with consistent appearance and natural motion. Exis
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
- 生成
- 難易度
- Easy
- コスト
- High
→
huggingfaceHugging Faceあり2026-10-31
StreamDuo: A Live Commentator and a Research Agent for Unseen Games
Streaming video LLMs can now commentate live gameplay, but they are trained and tested on the same games. We s
品質予測/異常検知深層学習軽量化・量子化動画
- 用途
- 技術検証・論文読解補助
- 難易度
- Easy
- コスト
- High
→
githubGitHubあり2026-10-31
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
→
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
WeFair: Fidelity-Aware Alignment from Human Feedback for Personalized Query Rewriting in Short-Video Search
Short-video search needs compact query rewriters that recover users' personalized intent from ambiguous querie
自然言語処理大規模言語モデルテキスト動画
- 用途
- 技術検証・論文読解補助
- 難易度
- Easy
- コスト
- High
→
huggingfaceHugging Faceあり2026-10-29
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
品質予測/異常検知生成AI動画生成生成画像テキスト
- 用途
- 生成
- 難易度
- Easy
- コスト
- High
→
huggingfaceHugging Faceあり2026-10-29
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
→
huggingfaceHugging Faceあり2026-10-29
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
品質予測/異常検知深層学習Transformer生成画像動画
- 用途
- 生成
- 難易度
- Easy
- コスト
- High
→
huggingfaceHugging Faceあり2026-10-29
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
→
huggingfaceHugging Faceあり2026-10-29
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
品質予測/異常検知深層学習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2026-10-29
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
→
huggingfaceGitHubありHugging Faceあり2026-10-29
AB-Attention: Accurate Block Attention for Accelerating Video Diffusion Transformers
Video diffusion transformers generate high-quality videos, but the quadratic cost of 3D full attention dominat
品質予測/異常検知深層学習Transformer動画3D
- 用途
- 技術検証・論文読解補助
- 難易度
- Easy
- コスト
- High
→
githubGitHubあり2026-10-29
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
→
huggingfaceHugging Faceあり2026-10-28
WeVisCut: The Whole Editing Room in One Agent From Narration to Long-Form Video
Producing long-form videos from narration requires interdependent decisions that remain coherent across shots.
品質予測/異常検知自然言語処理大規模言語モデル動画
- 用途
- 技術検証・論文読解補助
- 難易度
- Easy
- コスト
- High
→
huggingfaceHugging Faceあり2026-10-28
AskStream: When and What to Ask Proactively under Uncertainty in Streaming Video Understanding
Recent advances in multimodal large language models have increased interest in interaction paradigms for video
自然言語処理大規模言語モデルテキスト動画マルチモーダル
- 用途
- 技術検証・論文読解補助
- 難易度
- Easy
- コスト
- High
→
arxivGitHubあり2026-10-27
Generative Refinement Learning for Temporal Interpolation in Scientific Machine Learning
Computationally expensive simulations and real-world observations often provide data at a lower temporal resol
自然言語処理RAG生成動画
- 用途
- 生成
- 難易度
- Hard
- コスト
- High
→
huggingfaceHugging Faceあり2026-10-27
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
→
huggingfaceHugging Faceあり2026-10-27
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
→
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
→
huggingfaceHugging Faceあり2026-10-26
SOMA: A Benchmark for Fine-Grained Egocentric Behavior and Body-Motion Understanding
Perceiving human body motion is critical for multimodal systems that understand and assist people. Yet current
自然言語処理大規模言語モデルテキスト動画マルチモーダル
- 用途
- 技術検証・論文読解補助
- 難易度
- Easy
- コスト
- High
→
huggingfaceHugging Faceあり2026-10-26
Supervising the Visible State: Separating Representation from View Selection in Streaming Video
An action seen once and the same action seen three times receive the same action-recognition label, so that su
コンピュータビジョンセグメンテーション分類検出動画
- 用途
- 分類
- 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2026-10-24
After One-Click Video: The Inflow of Service-Type Content, the Failure of the Recommendation Pool Mechanism, and the BoLe System
In September 2026, a new large language model was released. Soon after, a new way of making explainer videos b
自然言語処理大規模言語モデルテキスト動画
- 用途
- 技術検証・論文読解補助
- 難易度
- Easy
- コスト
- High
→
githubGitHubあり2026-10-24
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
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2026-10-21
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
→
huggingfaceHugging Faceあり2026-10-18
Holo4D: Holistic 4D Reconstruction as Geometric Control for Video Diffusion
Synthesizing a monocular video from a new camera trajectory requires preserving the observed scene geometry an
コンピュータビジョン3D・点群生成動画3D
- 用途
- 生成
- 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
→