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
121 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
→
arxivPaper only2026-09-04
PAC-Bayesian Reconstruction Guarantees for Time Series Variational Autoencoders
Forecasting time series accurately is critical for applications with complex data ranging from energy systems
センサ/時系列コンピュータビジョン動画認識生成予測時系列
- 用途
- 生成
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-04
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
→
arxivPaper only2026-09-04
Hidden In Plain Gaze: Gaze Representations as Privacy Controls for Utility and Re-identification Risk in XR
Intelligent extended reality (XR) systems increasingly use eye and head tracking to infer user intent, task, a
説明可能深層学習軽量化・量子化分類動画
- 用途
- 分類
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-04
AI for Computational Design Science: A Responsible Human-AI Framework and Case Study on Short-Form Video Safety Surveillance
Artificial intelligence (AI) is transforming not only what information systems researchers design, but also ho
説明可能強化学習マルチエージェントテキスト動画
- 用途
- 技術検証・論文読解補助
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-04
Adaptive Multi-Granularity Temporal Modeling for Weakly Supervised Video Anomaly Detection
As the scale of video surveillance data outpaces manual annotation capacities, weakly supervised video anomaly
品質予測/異常検知自然言語処理RAG検出セグメンテーション異常検知
- 用途
- 検出
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-04
Artificial Intelligence in Equity and Crypto Markets: Progress, Profitability Evidence, and the Limits of Automated Investing
Artificial intelligence (AI) now supports investment workflows from data and prediction through research, port
センサ/時系列品質予測/異常検知コンピュータビジョン動画認識テキスト時系列強化学習
- 用途
- 技術検証・論文読解補助
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-04
CHAMP: Cross-domain Hybrid Architecture for Matchmaking and Prediction in Online Multi-Player Games
Multiplayer Online Battle Arena (MOBA) games rely on matchmaking to maintain competitive balance. Our prior wo
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
- Hard
- コスト
- High
→
arxivPaper only2026-09-04
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
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
→
arxivPaper only2026-09-04
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.
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
- 用途
- 技術検証・論文読解補助
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-04
Hierarchical Possession-Aware Graph Pointer Network for Pass Receiver Selection
Pass receiver selection is a fundamental task in football analytics, aiming to predict the intended receiver u
コンピュータビジョン動画認識テキスト
- 用途
- 技術検証・論文読解補助
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-04
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
→
arxivPaper only2026-09-04
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
→
arxivPaper only2026-09-04
WorldSculpt: Generating Compositional Worlds from Grounded Videos
We study the problem of generating a compositional 3D representation of a cluttered scene containing hundreds
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
- Hard
- コスト
- High
→
arxivPaper only2026-09-04
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
→
arxivPaper only2026-09-04
Few-Shot Video Recognition via Hierarchical Metric Learning
Few-shot action recognition (FSAR) aims to recognize unseen action categories with only a small number of anno
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分類動画
- 用途
- 分類
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-04
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
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
- 用途
- 生成
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-04
MINT: A Unified Model for World-Space Camera and Hand Motion Estimation from Scalable Egocentric Pipeline Supervision
Recovering camera and hand motion in world coordinates from egocentric video is a key capability for activity
品質予測/異常検知深層学習Transformer生成動画
- 用途
- 生成
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-04
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
→
arxivPaper only2026-09-04
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
→
arxivPaper only2026-09-04
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
深層学習Transformer生成画像テキスト
- 用途
- 生成
- 難易度
- Hard
- 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
→
arxivPaper only2026-09-03
ResLearn-XR: Residual Learning for Network Traffic and Quality-of-Experience-Aware Modeling in Extended Reality
We present ResLearn-XR, a residual learning framework for predicting eXtended Reality (XR) network traffic and
品質予測/異常検知コンピュータビジョン動画認識予測
- 用途
- 予測
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
WeatherNext 3: Increasing resolution and performance of global weather models with raw observations
State-of-the-art AI weather models have shown impressive medium-range forecast skill and computational efficie
コンピュータビジョン動画認識予測
- 用途
- 予測
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
LeanGRPO: Eliminating Redundant Recomputation in Diffusion RL
Diffusion reinforcement learning (RL) has recently achieved significant success in post-training image and vid
コンピュータビジョンセグメンテーション生成画像動画
- 用途
- 生成
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
What Moves? Localized Motion Representations for Compositional Scene Control
Real-world dynamics are inherently compositional: multiple entities move simultaneously within a shared scene,
MI向き自然言語処理埋め込み・検索分類生成画像
- 用途
- 分類
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
One Editor, Many Edits: A Unified Training-Free Framework for Diverse Video Editing
Video editing spans diverse editing paradigms, yet achieving high-quality instruction-guided and subject-guide
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動画
- 用途
- 技術検証・論文読解補助
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
Seeing Before Synthesizing: VLM-Guided Transition Event Discovery for Weakly-Supervised Dense Video Captioning
Weakly-Supervised Dense Video Captioning aims to localize and describe multiple events in untrimmed videos giv
深層学習Transformer検出画像動画
- 用途
- 検出
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
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
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
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
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
A Reverse Sign Language Dictionary: Open-Vocabulary Sign Recognition from Continuous Signing via Video Captioning and Description Retrieval
Isolated Sign Language Recognition (ISLR) is conventionally cast as closed-set classification over gloss label
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テキスト動画
- 用途
- 分類
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
KnowVis: Knowledge-Centric Visual Summarization for Video Lectures
Video lectures are valuable educational resources, but their dense and lengthy formats often overwhelm novice
コンピュータビジョンマルチモーダル要約画像テキスト
- 用途
- 要約
- 難易度
- Hard
- 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
→
arxivPaper only2026-09-03
Fractional-Order Adaptive Motion Magnification: Phase-Reliability Weighting for Noise-Constrained Video Amplification
Eulerian video amplification boosts sub-pixel motion by band-pass filtering per-pixel intensity traces and app
センサ/時系列深層学習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
→
arxivPaper only2026-09-03
ICM-Bench: Person-Level Identity Reasoning in Multimodal Agents with Long-Term Memory
Long-horizon multimodal agents should remember not only what happened but also who participated. This capabili
自然言語処理大規模言語モデルQA動画マルチモーダル
- 用途
- QA
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
Object Concepts Emerge from Motion
Object-centric visual representations are important for physical-world perception, but existing visual pretrai
コンピュータビジョン物体検出検出画像動画
- 用途
- 検出
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
Temporal Self-Distillation: Learning Visual State Tracking in Videos Without Supervision
We introduce S$^3$T (Self-Supervised Self-Distillation over Time), which, to the best of our knowledge, is the
深層学習軽量化・量子化画像動画自己教師
- 用途
- 技術検証・論文読解補助
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
Scal3R: Learning Efficient Multi-Relative Pose Query for Scalable Online 3D Reconstruction
Online 3D reconstruction models perform poorly on long videos. This happens because regressing poses relative
深層学習軽量化・量子化動画3D
- 用途
- 技術検証・論文読解補助
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
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
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
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
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
BooM-VVT: Boosting Mask-Free Video Virtual Try-On with Image-Level Pseudo Data
Video virtual try-on (VVT) aims to generate realistic videos of a person wearing a target garment. Recent meth
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
→
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
→
arxivPaper only2026-09-03
Adaptive Vision-Language Grasping via Composable Foundation Priors and Generalizable Grasp Synthesis
This paper proposes AdaRoboVLG, a task-adaptive Vision-Language-Grasp (VLG) framework that supports generaliza
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
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
DSAQuant: Denoising-Stage-Aligned Quantization-Aware Training for Video Generation
Video diffusion models (VDMs) have achieved impressive progress in text-to-video generation, but their high me
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
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
The Blind Spot in 2D Infants' Pose Estimation:Robust Learning from Noisy Annotations
Noisy annotations pose a significant challenge for supervised deep learning, as neural networks rely on large-
品質予測/異常検知強化学習方策勾配 (PPO / A3C)分類画像テキスト
- 用途
- 分類
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
WorldReward: Reward Modeling for Camera-Conditioned World Models
Camera-conditioned world models generate interactive videos in which commanded actions should induce the expec
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
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
OctWorld: Long-Range World-Consistent Video Generation with Octree-Based 3D Mapping
We present OctWorld, a video diffusion framework with persistent 3D memory for generating explorable, world-co
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
→
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
→
arxivPaper only2026-09-03
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
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
SignSeek: Learning Transferable Representations for Sign Dictionary Retrieval
Sign language dictionaries are essential resources for sign language learners, yet automatically retrieving a
自然言語処理ファインチューニング分類埋め込みテキスト
- 用途
- 分類
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
CoFiE: Coarse-to-Fine Evidence Selection for Efficient Streaming Video Understanding
Streaming video understanding requires Vision Language Models (VLLMs) to process growing video streams and ans
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
→
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
→
arxivPaper only2026-09-03
Cross-Dataset Transfer and Reliability of Explainable Artificial Intelligence for RhythmFormer Remote Photoplethysmography
Background. Remote photoplethysmography estimates the cardiovascular pulse from facial video, and its explanat
説明可能深層学習軽量化・量子化動画
- 用途
- 技術検証・論文読解補助
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
Rethinking 3D Noise: Learning 3D-Aware Video Priors via Optimization-Free Morphological Perturbations
3D scene representations like NeRF and 3D Gaussian Splatting (3DGS) suffer severe artifacts in sparse-view set
深層学習軽量化・量子化生成画像動画
- 用途
- 生成
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
Stabilizing Camera-Controlled Novel View Synthesis at Inference Time
Training-free, camera-controlled novel view synthesis from a single image using pre-trained video diffusion mo
品質予測/異常検知深層学習軽量化・量子化生成画像動画
- 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
→
arxivPaper only2026-09-03
SV-WAM: An Efficient Surround-View World-Action Model for End-to-End Autonomous Driving
World models (WMs) have demonstrated strong potential for end-to-end autonomous driving by learning predictive
深層学習軽量化・量子化生成動画
- 用途
- 生成
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
Occlusion-Robust Multimodal Emotion Recognition in VR via Fusion of Facial Images and EMG
Head-mounted displays (HMDs) fundamentally limit emotion recognition in virtual reality (VR): by occluding the
深層学習CNN分類画像動画
- 用途
- 分類
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
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
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
- 用途
- 生成
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
Building Pretraining Data for World Models: An Unreal Engine-Based Pipeline for Action-Conditioned Video Generation
Action-conditioned video models require large-scale visual data paired with control signals that are temporall
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動画
- 用途
- 生成
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
Neural Video Compression Based on Deformable Temporal Alignment and Difference-aware Fusion
In conditional coding-based neural video compression, the quality of temporal context directly affects compres
品質予測/異常検知コンピュータビジョン動画認識テキスト動画
- 用途
- 技術検証・論文読解補助
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
Preserving Knowledge across Space and Time for Continual Video Deepfake Detection
The continuous emergence of high-quality video deepfakes requires detectors that continually adapt to new forg
品質予測/異常検知深層学習軽量化・量子化検出画像動画
- 用途
- 検出
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
Joint Alignment and Distillation for Video Generation via Sample-Guided Distribution Matching
Aligning video generative models to human preferences heavily relies on Reinforcement Learning (RL), which suf
品質予測/異常検知深層学習軽量化・量子化生成動画強化学習
- 用途
- 生成
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
Step Back to Move Forward: Reflection-Aware Preference Optimization for Visual Generation
Diffusion models have become the mainstream paradigm for modern visual generation and have substantially advan
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
- 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
→
arxivPaper only2026-09-03
MulDP: Multimodal Diffusion Policy for Autonomous Quadruped Parkour Navigation across Complex Terrains
Quadruped robots have demonstrated impressive agility in parkour locomotion across complex terrains. However,
コンピュータビジョン動画認識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
→
arxivPaper only2026-09-03
A comparative study on the accuracy & repeatability of mobile robotic platforms for the delivery of precision NDE measurement
Mobile robotic platforms offer a flexible alternative to fixed manipulators for non-destructive evaluation (ND
センサ/時系列コンピュータビジョン動画認識画像3D
- 用途
- 技術検証・論文読解補助
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
BRIDGE: An Open-Source Humanoid Platform via Morphology-Control Co-Design for Physical AI
Developing humanoid robots capable of leveraging human behavioral data is essential for general-purpose embodi
MI向き自然言語処理RAG動画
- 用途
- 技術検証・論文読解補助
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
ARTiS: An Adaptive Robotic Gripper for Enhanced Tool Manipulation in Disassembly Applications
Grasping and holding tools while using them presents a considerable challenge not only for robots but also for
強化学習動画
- 用途
- 技術検証・論文読解補助
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-03
R2S-Eval: Robot Evaluation with Real-to-Sim Calibration via Vision-Language Models
Evaluating robot manipulation policies is becoming increasingly important as generalist models, particularly v
品質予測/異常検知深層学習軽量化・量子化テキスト動画マルチモーダル
- 用途
- 技術検証・論文読解補助
- 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
→
arxivPaper only2026-09-02
RoboTok: An Internet-Scale Data Engine for Human Demonstration Retrieval and Dexterous Manipulation Learning
Robot learning increasingly depends on broad and diverse demonstrations, yet collecting robot data remains exp
深層学習軽量化・量子化動画3D
- 用途
- 技術検証・論文読解補助
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-02
Spatially Aware World Action Model via Geometric Latent Diffusion
World Action Models (WAMs) leverage the capabilities of large-scale pretrained video diffusion models to joint
品質予測/異常検知自然言語処理RAG画像動画3D
- 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
→
arxivPaper only2026-09-01
Evaluating Multimodal LLMs as Generalist Vision-Language-Action Agents for Drone Control: Commanding, Approaching, Tracking and Searching
Multimodal Large Language Models (MLLMs) are strong perceivers of images and video. We ask how far that reach
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
- Hard
- コスト
- High
→
arxivPaper only2026-09-01
MeRoPE: Metric Rotary Position Embedding for Camera-Controlled Video Generation
In camera-controlled video generation, geometry-aware positional encodings condition tokens on camera extrinsi
自然言語処理埋め込み・検索生成動画
- 用途
- 生成
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-09-01
A Wearable Pneumatic Device for Continuous, Closed-Loop, Bidirectional Tactile Interaction
We present a system of two wearable pneumatic haptic devices that supports continuous, closed-loop, bidirectio
センサ/時系列コンピュータビジョン動画認識画像テキスト
- 用途
- 技術検証・論文読解補助
- 難易度
- Hard
- コスト
- 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
→
arxivPaper only2026-08-31
Learning PDE Time-Stepping with Neural Cellular Automata
Classical numerical solvers for partial differential equations (PDEs) are computationally expensive to solve r
説明可能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
- Hard
- コスト
- High
→
arxivPaper only2026-08-31
Scene Graph-based Driving Scenario Extraction for Automotive Egocentric Datasets
Extracting scenarios from unlabelled real-world sensor data streams is a critical but challenging task in the
センサ/時系列自然言語処理RAG動画
- 用途
- 技術検証・論文読解補助
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-08-31
CometVLA: Co-Training on an Embodied Data Pyramid towards Physical Understanding
Vision-language-action (VLA) models remain brittle in manipulation tasks that require physical commonsense. Cu
コンピュータビジョンマルチモーダル生成テキスト動画
- 用途
- 生成
- 難易度
- Hard
- 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
→
arxivPaper only2026-08-29
Content Exploration Beyond the Feed: Creator Supply and the Shared Corpus
Industrial recommenders give new content initial views through budgeted exploration, then use early performanc
自然言語処理ファインチューニングテキスト動画
- 用途
- 技術検証・論文読解補助
- 難易度
- Hard
- コスト
- High
→
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
→
arxivPaper only2026-08-27
Optimal Transport for Network Comparison: A Review with Machine Learning Applications
Network comparison using optimal transport is a growing area of research in network science. Unlike standard g
コンピュータビジョン動画認識画像
- 用途
- 技術検証・論文読解補助
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-08-27
DTD-VAE: Disentangled Temporal Dependencies VAE for Credit Risk Prediction
Evaluating customer creditworthiness is crucial for retail banking operations, as it impacts marketing strateg
コンピュータビジョン動画認識生成
- 用途
- 生成
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-08-27
Asymmetric Coupling Anisotropy for Causal Information Filtering in Physical Reservoirs
We demonstrate a physical mechanism for causal information filtering in a physical reservoir computing (PRC) b
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
- Hard
- コスト
- High
→
arxivPaper only2026-08-27
Benchmarking spiking neural networks across sensing modalities on edge devices
Edge computing systems need to support diverse sensing workloads under tight energy and memory constraints, th
センサ/時系列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
- Hard
- 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
→
arxivPaper only2026-08-26
TRACE: Retrospective Streaming Generation of Physical Fields under Sparse Structured Sensing
Reconstructing continuous physical fields from sparse measurements is central to scientific monitoring, invers
センサ/時系列品質予測/異常検知コンピュータビジョン動画認識生成音声
- 用途
- 生成
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-08-25
Generalization, memorization, and overfitting for diffusion models trained in the lazy high-dimensional regime
Modern score-based generative models have achieved remarkable empirical success in high-dimensional tasks such
深層学習Transformer生成回帰画像
- 用途
- 生成
- 難易度
- Hard
- 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
→
arxivPaper only2026-08-24
Change Detection in Probability Flow ODE: Online Testing in Diffusion Latent Spaces
A rapidly growing range of sequential data tasks, such as identifying trend reversals in financial markets, au
深層学習Transformer検出テキスト音声
- 用途
- 検出
- 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
→
arxivPaper only2026-08-20
Temporal Fair Division of Indivisible Mixed Manna: Tractable Settings
We study temporal fair division of indivisible mixed manna. Items arrive over time and must be allocated irrev
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
- Hard
- 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
→
arxivPaper only2026-07-26
Limbomorphs
Artificial life systems are typically defined by a set of dynamical rules over an environment, an agent, or bo
コンピュータビジョン動画認識画像
- 用途
- 技術検証・論文読解補助
- 難易度
- Hard
- コスト
- High
→
arxivPaper only2026-07-20
Organization of computation in reservoir computing
レジリエンシャルコンピューティングでは、非線形ダイナミカル系を使って、時間依存の入力を、高次元の状態空間表現にマッピングする。レジリエンシャルパフォーマンスは、メモリ、非線形性、そしてそれらのトレードオフを反映しているが
コンピュータビジョン動画認識
- 用途
- シーコンピューティングのための情報処理能力の組織
- 難易度
- Hard
- コスト
- High
→