githubGitHubあり2026-06-09
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
→
「video」の検索結果
57 件githubGitHubあり2026-06-09
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2026-06-09
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2026-06-09
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2026-06-09
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2026-06-09
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2026-06-09
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2026-06-09
LightX2V — Light Image Video 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。
生成AI拡散モデル生成画像動画
- 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2026-06-09
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2026-06-09
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2026-06-09
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
→
arxivGitHubあり2026-06-08
Claw-R1: A Step-Level Data Middleware System for Agentic Reinforcement Learning
Agentic reinforcement learning (RL) has become an important post-training paradigm for turning LLMs from stati
品質予測/異常検知自然言語処理大規模言語モデル動画強化学習
- 用途
- 技術検証・論文読解補助
- 難易度
- Hard
- コスト
- High
→
arxivGitHubあり2026-06-08
A VideoMAE-v2 Approach to Zero-Shot Traffic Accident Anticipation
Traffic accident anticipation -- predicting the likelihood of an imminent collision at every frame of a dashca
自然言語処理プロンプトエンジニアリング動画
- 用途
- 技術検証・論文読解補助
- 難易度
- Hard
- コスト
- High
→
arxivGitHubあり2026-06-08
Temporal-Aware Reasoning Optimization for Video Temporal Grounding
Multi-modal Large Language Models (MLLMs) have achieved remarkable progress in video temporal grounding with r
品質予測/異常検知深層学習Transformer検出画像テキスト
- 用途
- 検出
- 難易度
- Hard
- コスト
- High
→
arxivGitHubあり2026-06-07
OmniTryOn: Video Try-On Anything at Once!
Although video virtual try-on (VVT) has achieved significant progress, existing methods still exhibit two fund
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
- Hard
- コスト
- High
→
githubGitHubあり2026-06-07
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
→
arxivGitHubあり2026-06-06
VideoWeaver: Evaluating and Evolving Skills for Agentic Long Video Generation
Recent agent frameworks such as Claude Code, Codex, and OpenClaw are strong at tool use and orchestration, but
MI向き品質予測/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
- Hard
- コスト
- High
→
githubGitHubあり2026-06-06
DiT-Extrapolation — Official implementation for "RIFLEx: A Free Lunch for Length Extrapolation in Video Diffusion Transformers" (ICML 2025) , UltraViCo (ICLR 2026) and UltraImage
分類問題では、多くの場合、ラベルは存在しないため、従来の学習アルゴリズムでは困難に感じられるが、In-Context Multiple Instance Learningという手法を使用することで、低ラベル環境で効率的に
深層学習Transformer生成画像動画
- 用途
- 多クラス分類タスク
- 難易度
- Easy
- コスト
- High
→
huggingfaceHugging Faceあり2026-06-05
MMAE: A Massive Multitask Audio Editing Benchmark
We introduce MMAE, a Massive Multitask Audio Editing benchmark, serving as the first comprehensive evaluation
MI向き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
→
huggingfaceGitHubありHugging Faceあり2026-06-05
Watch, Remember, Reason: Human-View Video Understanding with MLLMs
Video understanding is being rapidly transformed by multimodal large language models (MLLMs), as research move
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
→
huggingfaceHugging Faceあり2026-06-05
PaperFlow: Profiling, Recommending, and Adapting Across Daily Paper Streams
Scientific paper recommendation is typically evaluated as static ranking over a fixed candidate set, yet real
コンピュータビジョン動画認識
- 用途
- 技術検証・論文読解補助
- 難易度
- Easy
- コスト
- High
→
huggingfaceHugging Faceあり2026-06-05
Stream3D-VLM: Online 3D Spatial Understanding with Incremental Geometry Priors
Despite advances in 3D scene understanding, existing 3D Large Multimodal Models operate in offline settings, r
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2026-06-05
Streaming Video Generation with Streaming Force Control
We introduce StreamForce, a streaming video generation framework that enables physically grounded control thro
深層学習軽量化・量子化生成動画
- 用途
- 生成
- 難易度
- Easy
- コスト
- High
→
githubGitHubあり2026-06-05
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
→
huggingfaceHugging Faceあり2026-06-04
Physics in 2-Steps: Locking Motion Priors Before Visual Refinement Erases Them
Image-to-Video diffusion models leverage input images to generate visually stunning content, yet frequently pr
自然言語処理RAG生成画像動画
- 用途
- 生成
- 難易度
- Easy
- コスト
- High
→
huggingfaceHugging Faceあり2026-06-04
LoomVideo: Unifying Multimodal Inputs into Video Generation and Editing
Developing unified video generation and editing models capable of interpreting interleaved multimodal inputs i
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
→
huggingfaceGitHubありHugging Faceあり2026-06-04
Dream.exe: Can Video Generation Models Dream Executable Robot Manipulation?
Video generation models have made impressive strides in synthesizing visually compelling content, yet their ou
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
- Easy
- コスト
- High
→
huggingfaceHugging Faceあり2026-06-04
Towards One-to-Many Temporal Grounding
Temporal Grounding (TG) aims to localize video segments corresponding to a textual query. Prior research predo
品質予測/異常検知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2026-06-04
Imagine Before You Predict: Interleaved Latent Visual Reasoning for Video Event Prediction
Video event prediction (VEP) requires models to infer unobserved future states from partial video evidence. Ex
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
→
huggingfaceHugging Faceあり2026-06-04
Learning Geometric Representations from Videos for Spatial Intelligent Multimodal Large Language Models
Multimodal Large Language Models (MLLMs) excel at 2D semantic understanding but lack intrinsic 3D awareness, r
表形式向き自然言語処理大規模言語モデルテキスト動画3D
- 用途
- 技術検証・論文読解補助
- 難易度
- Easy
- コスト
- High
→
githubGitHubあり2026-06-04
Awesome-Video-World-Models-with-AR-Diffusion — A Curated List of Awesome Video World Models with AR Diffusion: Covering Algorithms, Applications, and Infrastructure, Aimed at Serving as a Comprehensive Resource for Researchers, Practitioners, and Enthusiasts.
ビデオのワールドモデルを用いて、AR拡散式を含む幅広いアルゴリズム、アプリケーション、インフラが提供され、研究者や実務家など幅広い人々に役立つリソースとして提供される。
生成AI拡散モデル生成動画
- 用途
- アンビシャスのためのビデオの世界モデル
- 難易度
- Easy
- コスト
- High
→
huggingfaceHugging Faceあり2026-06-03
VideoKR: Towards Knowledge- and Reasoning-Intensive Video Understanding
We introduce VideoKR, the first large-scale training corpus specifically designed to strengthen knowledge- and
自然言語処理ファインチューニング生成テキスト動画
- 用途
- 生成
- 難易度
- Easy
- コスト
- High
→
huggingfaceHugging Faceあり2026-06-03
Flash-WAM: Modality-Aware Distillation for World Action Models
World-action models (WAMs) jointly generate future video and robot actions through iterative diffusion, achiev
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
→
huggingfaceHugging Faceあり2026-06-03
Video2LoRA: Parametric Video Internalization for Vision-Language Models
Processing video in vision-language models is expensive: each frame occupies hundreds of tokens, and inference
自然言語処理ファインチューニング要約QA画像
- 用途
- 要約
- 難易度
- Easy
- コスト
- High
→
huggingfaceHugging Faceあり2026-06-03
Echo-Infinity: Learning Evolving Memory for Real-Time Infinite Video Generation
We present Echo Infinity, an autoregressive (AR) framework towards real-time infinite video generation that em
品質予測/異常検知深層学習Transformer生成動画
- 用途
- 生成
- 難易度
- Easy
- コスト
- High
→
huggingfaceHugging Faceあり2026-06-03
M^3Eval: Multi-Modal Memory Evaluation through Cognitively-Grounded Video Tasks
As multi-modal models advance towards long-form video understanding, memory emerges as a critical capability.
自然言語処理RAG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2026-06-03
GRAIL: Generating Humanoid Loco-Manipulation from 3D Assets and Video Priors
Scaling humanoid loco-manipulation requires robot-compatible demonstrations across diverse objects, whole-body
コンピュータビジョン3D・点群生成画像動画
- 用途
- 生成
- 難易度
- Easy
- コスト
- High
→
githubGitHubあり2026-06-03
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
→
huggingfaceHugging Faceあり2026-06-02
A Cookbook of 3D Vision: Data, Learning Paradigms, and Application
3D vision has rapidly evolved, driven by increasingly diverse data representations, learning paradigms, and mo
自然言語処理RAG生成動画3D
- 用途
- 生成
- 難易度
- Easy
- コスト
- High
→
huggingfaceHugging Faceあり2026-06-02
OVO-S-Bench: A Hierarchical Benchmark for Streaming Spatial Intelligence in Multimodal LLMs
Multimodal agents in robotics, AR, and autonomous driving must reason about places and layouts from continuous
品質予測/異常検知自然言語処理大規模言語モデル生成テキスト動画
- 用途
- 生成
- 難易度
- Easy
- コスト
- High
→
huggingfaceHugging Faceあり2026-06-02
Eliciting Complex Spatial Reasoning in MLLMs through Wide-Baseline Matching
Wide-baseline matching (WBM) requires integrating geometric understanding, viewpoint changes, fine-grained per
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2026-06-02
AAD-1: Asymmetric Adversarial Distillation for One-Step Autoregressive Video Generation
We present AAD-1, an Asymmetric Adversarial Distillation framework for One-step autoregressive image-to-video
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2026-06-02
WebRISE: Requirement-Induced State Evaluation for MLLM-Generated Web Artifacts
Existing benchmarks for MLLM-generated web artifacts assess interaction through local evidence and miss the re
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
- 用途
- 技術検証・論文読解補助
- 難易度
- Easy
- コスト
- High
→
githubGitHubあり2026-06-02
Awesome-CVPR2026-CVPR2025-ICCV2025-CVPR2024-ECCV2024-AIGC — A Collection of Papers and Codes for CVPR2026/CVPR2025/ICCV2025/CVPR2024/ECCV2024 AIGC
CVPRに基づくAIを取り入れるための資料集を提供します。CVPR 2026、2025、2024、およびECCV 2024に基づくAIGCに関する研究論文とソフトウェアコードを含みます。
コンピュータビジョン3D・点群生成画像動画
- 用途
- AIをCVPRに応用する
- 難易度
- Easy
- コスト
- High
→
huggingfaceHugging Faceあり2026-06-01
AdaCodec: A Predictive Visual Code for Video MLLMs
Video is temporally redundant: adjacent frames usually share most objects, background, and layout. Yet existin
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
→
huggingfaceGitHubありHugging Faceあり2026-06-01
Cosmos 3: Omnimodal World Models for Physical AI
We introduce Cosmos 3, a family of omnimodal world models designed to jointly process and generate language, i
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
→
githubGitHubあり2026-06-01
Ditto — [CVPR'26 Highlight] Ditto: Scaling Instruction-Based Video Editing with a High-Quality Synthetic Dataset
[CVPR'26 Highlight] Ditto: Scaling Instruction-Based Video Editing with a High-Quality Synthetic Dataset
品質予測/異常検知生成AI拡散モデル動画
- 用途
- 実装・検証基盤
- 難易度
- Easy
- コスト
- High
→
huggingfaceHugging Faceあり2026-05-30
SuperMemory-VQA: An Egocentric Visual Question-Answering Benchmark for Long-Horizon Memory
AI glasses present a compelling platform for AI agents to serve as personalized memory assistants. To be genui
深層学習Transformer分類QA画像
- 用途
- 分類
- 難易度
- Easy
- コスト
- High
→
huggingfaceGitHubありHugging Faceあり2026-05-29
OpenSTBench: Beyond Semantic Evaluation for Speech Translation
Speech translation systems increasingly span speech-to-text translation (S2TT), speech-to-speech translation (
品質予測/異常検知コンピュータビジョン動画認識生成テキスト音声
- 用途
- 生成
- 難易度
- Easy
- コスト
- High
→
githubGitHubあり2026-05-28
openFrameworks — openFrameworks is a community-developed cross platform toolkit for creative coding in C++.
OpenFrameworksは、C++で構築されたクロスプラットフォームのツールキットで、クリエイティブコーディングのために使われます。このライブラリは、各種のデバイス上でプログラムを動作させることを容易にします。
コンピュータビジョン音声動画
- 用途
- クリエイティブコーディングのためのクロスプラットフォームツールキット
- 難易度
- Easy
- コスト
- High
→
githubGitHubあり2026-05-27
nano-world-model — A Minimalist, Batteries-included Repository for Advancing World Model Science.
nano-world-modelは、ワールドモデルの研究や開発を支援するためのオープンソースプロジェクトです。
生成AI拡散モデル生成動画
- 用途
- ワールドモデルの研究と発展
- 難易度
- Easy
- コスト
- High
→
githubGitHubあり2026-05-27
memvid — Memory layer for AI Agents. Replace complex RAG pipelines with a serverless, single-file memory layer. Give your agents instant retrieval and long-term memory.
MemVidは、サーバーレスで単一ファイルの記憶層を提案し、AIエージェントが即時検索と長期的な記憶を持つようにする記憶層です。
自然言語処理大規模言語モデル生成テキスト動画
- 用途
- AIエージェントの記憶を管理する
- 難易度
- Easy
- コスト
- High
→
githubGitHubあり2026-05-26
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2026-05-24
WorldCraft: From Camera Navigation to Object Manipulation in Interactive Video World Models
Recent video-based world models have made pixel-space environments interactive at the camera level: users can
自然言語処理ファインチューニング生成画像動画
- 用途
- 生成
- 難易度
- Easy
- コスト
- High
→
githubGitHubあり2026-05-21
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動画
- 用途
- 画像生成
- 難易度
- Easy
- コスト
- High
→
githubGitHubあり2026-05-17
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2026-05-14
VidCom2 — [EMNLP 2025 Main] Video Compression Commander: Plug-and-Play Inference Acceleration for Video Large Language Models
VidCom2は、ビデオ圧縮を改善するためのPlug-and-Playのインフェレンスアクセレレーションを備えたVideo Large Language Modelsです。
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
- ビデオ圧縮改善
- 難易度
- Easy
- コスト
- High
→