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

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

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

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

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

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

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

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

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

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。

用途: 高解像度画像合成
難易度: Easy
コスト: High

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

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

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

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

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

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

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

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画像

Adaptive Gated Deepfake Detection for Low-Resolution and Resource-Constrained Environments

Deepfake detection models often rely on high-quality inputs, fixed inference paths, and computationally expens

用途: 検出
難易度: Hard
コスト: High

Proton Irradiation Characterization of an Open-Source ML Accelerator on a Zynq UltraScale+ MPSoC

As spaceborne computing systems increasingly rely on neural network (NN) accelerators, the opacity of commerci

深層学習CNN画像テキスト

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

Phase Transition Frequency as a Training Time Predictor of Test Accuracy in ResNets

The number of discrete class-separability jumps observed during ResNet finetuning is examined empirically as a

品質予測/異常検知深層学習CNN分類検出画像

用途: 分類
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画像テキスト教師あり

An Analysis of Self-supervised Pre-training with Dependent Samples

Self-supervised learning relies on so-called data augmentations $φ(x)$ of unlabeled datapoints $x$ --- for exa

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

少数データ向き深層学習Transformer回帰画像

Beyond Homoscedasticity: Decoupled Uncertainty Optimization for Deep Imbalanced Regression

Deep Imbalanced Regression (DIR) is pervasive in continuous prediction tasks across diverse modalities, such a

用途: 回帰
難易度: Hard
コスト: Medium

Fractal basins trap latent reasoning

Reasoning allows artificial intelligence models to revisit and correct their mistakes, enabling recent frontie

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: Medium

Methane Detection On Board Satellites from Unorthorectified Imagery

As a potent greenhouse gas, methane is a major driver of climate change. Its effective mitigation relies on ti

センサ/時系列機械学習教師あり学習検出画像

用途: 検出
難易度: Hard
コスト: High

Coupled Control and Wireless World Models for Resilient Remote Robotic Control

Remote robotic systems operating over wireless networks must maintain reliable control despite limited communi

深層学習Transformer予測画像

用途: 予測
難易度: Hard
コスト: High

深層学習Transformer分類セグメンテーション回帰

LookThere! Sparse Vision by Reinforced Selection

Vision transformers typically treat every image token as equally important, yet for most tasks in computer vis

用途: 分類
難易度: Hard
コスト: Low

Enhancing Multimodal Emotion Recognition via Multi-Feature Encoding and Attention-Based Fusion

Multimodal emotion recognition has attracted growing interest due to its importance in human-computer interact

センサ/時系列深層学習CNN分類画像音声

用途: 分類
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画像テキストマルチモーダル

Latent-Aligned Reasoning for Multimodal Recommendation

Multimodal Vision-Language Models (VLMs) have demonstrated remarkable capabilities in cross-modal understandin

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

説明可能深層学習Transformer生成画像音声

Diffusion TV: Experiencing Diffusion Models through Tangible, Embodied Interaction

Diffusion TV is an interactive AI art installation that offers a tangible and embodied experience of diffusion

用途: 生成
難易度: Hard
コスト: High

Reflection-aware Generative Novel View Synthesis

We propose Ref-GeNVS, a training-free, reflection-aware method for generative novel view synthesis (NVS) in mi

自然言語処理RAG生成画像テキスト

用途: 生成
難易度: Hard
コスト: High

What Matters, When? Diagnosing and Improving Conditional Visual Grounding in Visuomotor Imitation Policies

Visuomotor imitation policies can achieve high performance under in-distribution visual conditions yet fail wh

深層学習Transformer画像マルチモーダル

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

CUA-Universe: A Scalable and Dynamic Environment for Hybrid GUI+CLI Agents

Computer-use agents have advanced on benchmarks like OSWorld and AndroidWorld, but still act mostly through 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

Technical Manual for a Toolkit for Measuring Contextual Individuation in Transformer Language Models

A transformer language model assigns a single, context-independent vector to a word type at its embedding laye

深層学習Transformer検出画像テキスト

用途: 検出
難易度: Hard
コスト: Low

Commonsense Reasoning in Computer Vision: Foundations, Recent Advancements, and Future Directions

Commonsense reasoning in computer vision encompasses integrating visual data and contextual knowledge, crucial

深層学習Transformer分類画像テキスト

用途: 分類
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

SciDocBench: A Workflow-Centered Benchmark and Data Pipeline for Scientific Document Understanding

Scientific papers require models to reason jointly over text, equations, figures, tables, code, and datasets w

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RAG画像テキストマルチモーダル

ProCA: Progressive Contrastive Alignment for Robust EEG Visual Decoding

Electroencephalogram (EEG) visual decoding aims to recover visual semantics from non-invasive neural time-seri

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

VICAL: Vicinal Consistency Alignment for Long-Tailed Visual Recognition

Multi-expert models have become the dominant paradigm for long-tailed learning, largely attributed to their pr

深層学習軽量化・量子化分類画像テキスト

用途: 分類
難易度: Easy
コスト: Low

MCPO: Modality-Contrastive Preference Optimization for Multimodal Chain-of-Thought Compression

Recently, multimodal large-scale reasoning models have demonstrated remarkable capabilities in solving complex

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: Hard
コスト: High

ARIA - An Agentic Framework for Autonomous Testing of Infotainment Systems

Automotive infotainment validation still relies on manual testing, slow, costly, and incompatible with agile r

自然言語処理大規模言語モデル検出画像

用途: 検出
難易度: Hard
コスト: High

TreeFI: Value-Aware Statistical Fault Injection for Deep Neural Networks

Reliability evaluation of deep neural networks under hardware faults commonly relies on fault injection, but e

深層学習Transformer回帰画像

用途: 回帰
難易度: Hard
コスト: Low

品質予測/異常検知深層学習Transformer画像教師あり

Attention-guided super-resolution of 4D flow MRI in carotid arteries

Four-dimensional (4D) flow magnetic resonance imaging (MRI) is a powerful non-invasive technique for visualizi

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

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

PRISM-Bench: An Audio-Centric Diagnostic Benchmark for Text-to-Audio-Video Generation

Text-to-audio-video (T2AV) generation has advanced rapidly, but its evaluation still underestimates the audio

用途: 生成
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動画3D

Mitigating Performance Discrepancy in Cross-Domain 3D Class-Incremental Learning

3D perception plays a crucial role in real-world applications such as autonomous driving, robotics, and AR/VR.

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

MM-IFEval-Pro: A Multilingual and Attack-Resistant Benchmark for Instruction-Following in Vision-Language Models

As vision-language models (VLMs) rapidly advance in image understanding, cross-modal reasoning, and complex in

自然言語処理RAG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: Hard
コスト: High

少数データ向きセンサ/時系列自然言語処理大規模言語モデル検出QA予測

MMTClinic: Multimodal, Multilingual Time Series Question Answering and Reasoning Benchmark for Clinical Domain

Time-series data in clinical settings is crucial for capturing dynamic changes in a patient's health over time

用途: 検出
難易度: Hard
コスト: High

Linguistic Trajectory Encoding for Efficient Long-Horizon Spatial Memory in Embodied Agents

Embodied agents performing long-horizon tasks require a memory representation in which the state transitions o

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生成画像テキスト

Whose record is this? Diagnosing and authorizing record use in personalized multimodal models

Contextualized visual personalization can retrieve a true record yet apply it to the wrong visual subject. We

用途: 生成
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

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

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

表形式向き品質予測/異常検知自然言語処理RAG画像教師あり自己教師

Leveraging Imperfect Restoration for Data Availability Attack

The abundance of online data is at risk of unauthorized usage in training deep learning models. To counter thi

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

説明可能コンピュータビジョンセグメンテーション画像

Dual-Part Multi-Lateral Branched Network for Multi-Class Segmentation in Cardiovascular Catheterization Angiograms

Catheterisation image processing requires segmentation models that are fast, accurate and explainable. While m

用途: セグメンテーション
難易度: Hard
コスト: High

From Vision to Language: Investigating Causal Information Flow in Multimodal Decision-Making

Vision-Language Models are commonly evaluated through their final predictions, but understanding whether these

自然言語処理RAG生成画像テキスト

用途: 生成
難易度: Hard
コスト: High

説明可能自然言語処理大規模言語モデルセグメンテーション画像

Retinal OCTA Phenotyping with LLM Reporting for Alzheimer's Disease

Early identification of Alzheimer's disease (AD) remains challenging because established assessment methods ca

用途: セグメンテーション
難易度: Hard
コスト: High

A Generalizable Feature Extractor for Alzheimer's-Related Brain MRI Tasks

When there is not enough labeled data to properly train deep learning models, transfer learning can help. We s

深層学習Transformer画像3D

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

説明可能強化学習方策勾配 (PPO / A3C)画像

From Interpretability Methods to Interpretable Models

More than a decade in, explainable AI (XAI) for computer vision has assembled a mature toolbox: attribution, f

用途: 技術検証・論文読解補助
難易度: Hard
コスト: Medium

CrossDepth: Geometry-Constrained Attention for Generalizable Multi-View Surround Depth Estimation

Reliable 3D understanding of the surrounding environment is a core requirement for autonomous driving. Multi-v

自然言語処理RAG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

Think-Verify-Revise: Neuro-Symbolic Visual Reasoning with Vision-Language Models and Dynamic Logic Tensor Networks

Visual reasoning tasks require a system to jointly perceive visual content and apply formal relational constra

深層学習CNN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: Hard
コスト: High

Towards Neuro-Symbolic Procedural Reasoning for Long-Horizon Vision-Language-Action Manipulation

Vision-language-action (VLA) models can execute short manipulation skills, but remain brittle in long-horizon

自然言語処理ファインチューニング画像テキスト動画

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

センサ/時系列深層学習正規化・最適化手法セグメンテーション埋め込み画像

MEOX: Compact Multimodal Mixture-of-Experts for Earth Observation

Recent advances in Earth Observation representation learning accommodate heterogeneous sensors and missing obs

用途: セグメンテーション
難易度: Hard
コスト: High

品質予測/異常検知深層学習軽量化・量子化検出生成画像

Scalable Detection of Fossil Palynomorphs in Multifocal Digital Microscopy Images

Palynomorphs (microscopic, organic-walled fossils such as pollen, spores, and dinoflagellates) are important h

用途: 検出
難易度: Hard
コスト: Medium

深層学習軽量化・量子化セグメンテーション画像自己教師

Learning Spatial-Spectral Refinement and Calibrating Complementary Observations for Hyperspectral Image Super-Resolution

Hyperspectral and multispectral image fusion (HMIF) aims to reconstruct a high-resolution hyperspectral image

用途: セグメンテーション
難易度: Hard
コスト: High

Compact Neural Appearance Models for Efficient Gaussian Splatting

Explicit primitive-based radiance fields such as 3D Gaussian Splatting typically model view-dependent appearan

品質予測/異常検知深層学習軽量化・量子化画像3D

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

少数データ向きCPUで試しやすい条件最適化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

Cross-Domain Tracker Adaptation Without Target-Domain Labels via Vision-Language Agents

We present a system that uses a Vision-Language Model (VLM) as a diagnostic agent for adapting a detect-to-tra

用途: 検出
難易度: Hard
コスト: High

Measured Sliders: Learning Continuous Controls from Differentiable Image Measurements

Continuous sliders are useful only when coefficient changes produce predictable image changes. Yet most diffus

用途: 生成
難易度: Hard
コスト: High

BLASt3R: Bundle Adjustment of Any Image Set with Multi-View Matching and Monocular Priors

Recent hybrid Structure-from-Motion (SfM) systems combine the robustness of feed-forward 3D reconstruction wit

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

Real-World Multi-Modal and Longitudinal Lung Cancer Dataset

Multi-modal learning has demonstrated strong potential in medical applications by integrating heterogeneous da

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

WeAgent-MMGenEdit: A Full-Stack Recipe for Multimodal Agentic Image Generation and Editing

Image generation and editing models have advanced rapidly, yet remain unreliable when prompts require external

自然言語処理ファインチューニング生成画像テキスト

用途: 生成
難易度: Hard
コスト: High

Cross-dataset transportability of pediatric chest X-ray deep learning across three countries: discrimination, calibration, operating-point failure, and limited-label recovery

Background and Objective: External evaluation of medical-imaging AI is often collapsed into discrimination. We

深層学習Transformer分類画像

用途: 分類
難易度: Hard
コスト: Low

MI向き品質予測/異常検知自然言語処理RAG検出異常検知画像

Training-Free Logical and Structural Anomaly Detection via Calibrated Fusion

Industrial anomaly detection must handle two distinct defect families: structural anomalies, which manifest as

用途: 検出
難易度: Hard
コスト: High

MultiAttenGastro: Multi-Dimensional Attention Augmentation for Gastrointestinal Endoscopy Classification

Automated gastrointestinal (GI) endoscopy classification requires models that generalize across diverse modali

深層学習Transformer分類画像テキスト

用途: 分類
難易度: Hard
コスト: High

PuTR-CouT: Counting-by-Tracking in Camera-Trap Image Sequences

Species identification in camera trap images has been widely studied, but key ecological modeling tasks such a

深層学習Transformer検出画像

用途: 検出
難易度: Hard
コスト: High

品質予測/異常検知自然言語処理ファインチューニング分類検出生成

Compositional Reward Models for Conditional Medical Image Generation

Acquiring high quality annotated medical image data is critical for training deep learning models; however, an

用途: 分類
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3D・点群生成画像動画

Temporal Residual Neural Radiance Fields for Monocular Video Dynamic Human Body Reconstruction

In the field of computer vision and graphics, high-quality reconstruction of the human body in static scenes h

用途: 生成
難易度: Hard
コスト: High

RefDiT: Local Attribute Guidance in Reference-Based Image Generation

Personalization models generate new images guided by a few subject references, while style transfer methods ai

用途: 生成
難易度: Hard
コスト: High

ARC-Loc: Leveraging Azimuthal Ray Convergence as a Geometric Cue for Direct Cross-View Localization

Cross-view localization (CVL) estimates the pose of a ground image by matching it to a geo-referenced satellit

深層学習軽量化・量子化検出画像3D

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・量子化生成画像テキスト

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

用途: 生成
難易度: Hard
コスト: High

LensStyle: Learning the Optical Aesthetics for Controllable Stylized Lens Effect Rendering

The visual aesthetics of photographs are deeply influenced by lens characteristics such as aperture shape, opt

説明可能品質予測/異常検知生成AI拡散モデル画像

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

TourPhysics: Bringing Physics to World Models for Exploration and Manipulation from a Single Image

Interactive visual world models must distinguish observation from physical intervention. Camera motion reveals

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: Hard
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生成画像

PAPT++: Risk-Aware Adversarial Tuning and Generation for Single Domain Generalization

Single domain generalization (SDG) aims to learn a model from one labeled source domain that generalizes to un

用途: 分類
難易度: Hard
コスト: High

Intrinsic Temporal Adaptation of CLIP for Partially Relevant Video Retrieval

Partially Relevant Video Retrieval (PRVR) aims to retrieve untrimmed videos that contain moments relevant to a

深層学習Transformer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

An Attention-Guided Global and Local Fusion Framework for Lesion-Focused Image Classification

Lesion-focused image classification presents a core analytical challenge, as discriminative signals are often

説明可能深層学習CNN分類画像テキスト

用途: 分類
難易度: Hard
コスト: Low

深層学習Attention機構セグメンテーション画像テキスト

CoMLP: Cooperatively-Gated MLPs for Fine-Grained Cross-Modal Information Fusion in Medical Image Segmentation

Multi-modal medical images and clinical reports provide complementary anatomical, functional, and semantic inf

用途: セグメンテーション
難易度: Hard
コスト: High

品質予測/異常検知深層学習軽量化・量子化検出セグメンテーション異常検知

LUMIN: Lightweight Universal Manufacturing Inspection Network for Anomaly Detection

Industrial anomaly detection faces two engineering bottlenecks: memory bank construction latency and inference

用途: 検出
難易度: Hard
コスト: Medium

SeamFlow: Structure-Aware Flow Matching on Edge Probabilities for Artist-Like UV Unwrapping

3D surface cutting and UV unwrapping are fundamental problems in computer graphics. Traditional geometric opti

コンピュータビジョン3D・点群生成画像3D

用途: 生成
難易度: Hard
コスト: High

BEAM3R: Beam's-eye-view architecture with Mamba-3 for implicit dose reconstruction

To enable accurate and rapid photon control point and proton beamlet dose calculation in the DoseRAD2026 chall

MI向き深層学習CNN画像3D

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

Where to Look Matters: Learning Influential Views for VLM-based 3D Visual Grounding

Recent zero-shot 3D visual grounding methods leverage vision-language models (VLMs) to localize objects in 3D

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

説明可能品質予測/異常検知深層学習Transformer生成セグメンテーション画像

Bridging Modalities and Tasks: A Unified Hierarchical ViT for SAR-to-Optical Translation and Semantic Segmentation

Synthetic Aperture Radar (SAR) images have all-weather, day-and-night observation capabilities. However, compa

用途: 生成
難易度: Easy
コスト: Medium

HiSfM: Disambiguating Structure-from-Motion via Scaffold-Anchored Hierarchical Reconstruction

Structure-from-Motion (SfM) is a fundamental tool for sparse 3D reconstruction with broad impact in robotics a

深層学習軽量化・量子化検出画像3D

用途: 検出
難易度: Hard
コスト: High

Counting Beyond Instances: A Benchmark for Group-Individual Object Counting

Visual counting is commonly formulated at the instance level, aiming to estimate how many objects of a queried

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: Hard
コスト: High

説明可能品質予測/異常検知自然言語処理ファインチューニング画像テキスト

AngelFingerprint: A Traceable, Explainable, and White-Box Stealthy Watermark for Text-Guided Image Editing

Text-guided diffusion editing raises disinformation concerns, making reliable image provenance essential. Whil

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

ReaDiT Guidance: Control for Image and Video Generation using Diffusion Transformer Features

We present DiT Readout (ReaDiT) Guidance, a lightweight framework for controlling generation with Diffusion Tr

用途: 生成
難易度: Hard
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

Importance-Aware Low-Rank Distillation of Diffusion Transformers

Diffusion Transformers (DiTs) have emerged as a dominant architecture for high-quality text-to-image generatio

用途: 生成
難易度: Hard
コスト: High

品質予測/異常検知深層学習Transformer生成画像3D

An Evaluation Framework for Generating Multi-View Images of a Person in a Scene

Recent generative image-editing Diffusion Transformers (DiTs) demonstrate impressive semantic editing capabili

用途: 生成
難易度: Hard
コスト: High

FIRE-LIVWO: Robust LiDAR-Inertial-Visual-Wheel Odometry via Failure-Immune mmWave Radar Enhancement

Achieving robust SLAM in large-scale underground coal mines with complex structures and severe degeneracies re

自然言語処理RAG検出生成画像

用途: 検出
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画像マルチモーダル

Temporal Tactile Encoding and Compliance for Intent-Aware Robot-to-Human Bimanual Handover

Reliable robot-to-human handover requires the robot to infer when the person is ready to receive the object, a

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High

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

HaptiNet: Networked Haptic Robots Enable Physical Co-presence in Geographically-Unconstrained Rehabilitation

Cooperative rehabilitation enhances engagement, task performance, and social-motor interaction, yet it demands

強化学習マルチエージェント画像音声

用途: 技術検証・論文読解補助
難易度: Hard
コスト: High