AIニュース

Gemini 3 Flashは、Googleが開発した高速かつ低コストの最先端インテリジェントモデルです。Gemini 3をベースに、大幅に向上したパフォーマンスと、強力な推論能力、マルチモーダル理解能力を誇ります。

Animate Anyoneは、アリババ知能コンピューティング研究所が開発したオープンソースのフレームワークで、静止画像内のキャラクターや人物をアニメーション化します。拡散モデルに基づいており、ReferenceNet、Pos...

ReplaceAnythingは、アリババインテリジェントコンピューティング研究所が開発したオープンソースのAI画像コンテンツ置換フレームワークです。高度な人工知能技術を活用し、写真や画像内のオブジェクトをインテリジェントに置換できます。ユーザーは…

Outfit Anyoneは、アリババインテリジェントコンピューティング研究所が立ち上げたオープンソースプロジェクトで、高品質な仮想試着機能を提供しています。この技術により、ユーザーやモデルは実際に服を試着することなく、自分に似合うかどうかをプレビューできます。Outfit Anyone...

PhotoMakerは、Tencent PCGのARC Labs、南開大学、東京大学の研究者らが最近発表した、リアルなAIキャラクター生成と写真スタイリングのためのオープンソースモデルおよびフレームワークです。ユーザーは、PhotoMakerを使って、

FaceChainは、アリババDAMOアカデミーが開発した、ポートレートやデジタルアバターを生成するためのオープンソースAIフレームワークです（Miaoduck Cameraの無料オープンソース版に似ています）。ユーザーは、少なくとも1枚の写真を提供するだけで、ユニークなアバターを生成できます。

I2VGen-XLは、アリババDAMOアカデミーが開発したオープンソースの画像から動画への生成モデルです。革新的なカスケード拡散方式により、テキストから動画へのデータと動画構造を分離し、静止画像を重要な誘導要素として活用します。

MagicVideo-V2は、ByteDanceが開発したAIビデオ生成モデルです。テキストから画像への変換モデル、ビデオモーションジェネレーター、参照画像埋め込みモジュール、フレーム補間モジュールを統合し、エンドツーエンドのビデオ生成を実現します。

Motionshopは、アリババ知能コンピューティング研究所が開発したAIキャラクターアニメーションフレームワークです。動画内の他のシーンやキャラクターを変更することなく、動画内のキャラクターを3Dアバターに置き換えることができます。このフレームワークはビデオ処理技術を利用しています。

AnyTextは、アリババ知能コンピューティング研究所が開発した、拡散ベースの多言語ビジュアルテキスト生成・編集モデルです。画像内で正確かつ一貫性のあるテキストをレンダリングすることに重点を置いています。AnyTextは主に2つの要素で構成されています...

InstantIDは、拡散モデルに基づいた画像生成技術であり、ゼロショットで本人確認を保持するパーソナライズされた画像合成を実現することに重点を置いています。この技術により、ユーザーはたった1つの画像だけで済みます...

VideoCrafter2は、Tencent AI Labsが開発した動画生成モデルです。高品質な動画データの取得における制約を克服し、高品質な動画を生成できるモデルを育成することを目的としています。このモデルの核心となる考え方は…

Screenshot to Codeは、人工知能技術（GPT-4VとDALL・E 3）を用いてユーザーのスクリーンショットをフロントエンドのWebページコードに変換するオープンソースプロジェクトです。このプロジェクトの中核機能は、Webページデザインのコーディングを自動化することです。

DDColorは、アリババDAMOアカデミーの研究者によって開発されたオープンソースのAI画像カラー化フレームワークです。白黒画像をワンクリックでフルカラー画像に変換できます。この手法は、デュアルデコーダーアーキテクチャ（ピクセルデコーダーとカラーデコーダー）を利用しています。

Real-ESRGAN（Real-World Blind Super-Resolution with Pure Synthetic Data）は、テンセントの研究チームが開発した深層学習モデルで、低解像度画像を処理して高解像度画像にアップスケールするために特別に設計されています。

DemoFusionは、低コストで高解像度画像を生成するために設計された技術フレームワークです。既存のオープンソース生成AIモデル（Stable Diffusionなど）を拡張し、追加のトレーニングなしで高解像度画像を生成できるようにします。

ActAnywhereは、スタンフォード大学とAdobe Researchの研究者が共同開発した動画生成モデルです。特に、前景の被写体（人物など）を新しい背景に合成する必要がある場合など、動画の背景生成の問題を解決することを目的としています。

Vary-toyは、中国科学院大学、華中科技大学、Megviiの研究者らが提案した小型の視覚言語モデル（LVLM）です。大規模視覚言語モデル（LVLM）の学習と展開における課題を解決することを目的としています。

Lepton Searchは、アリババの元技術担当副社長でありAI科学者でもある賈陽青氏が、Lepton AIアプリケーション構築プラットフォーム上で開発したオープンソースの対話型AI検索エンジンです。このプロジェクトは、Leptonプラットフォーム上のクラウドベースの人工知能を活用することに基づいています。

Follow Your Poseは、清華大学、香港科技大学、テンセントAIラボ、中国科学院の研究者らが開発したオープンソースのテキスト動画生成フレームワークです。テキストによる説明と特定のポーズを入力することで、動画を生成できます。

IPアダプター（イメージプロンプトアダプター）は、事前学習済みのテキストから画像への拡散モデル（安定拡散など）向けに特別に設計されたアダプターで、テキストから画像へのモデルが生成できるようにすることを目的としています。

OLMo（Open Language Model）は、Allen AI（AI2、Allen Institute for AI）によって開発された、完全オープンソースの大規模言語モデル（LLM）フレームワークです。当初の設計目的は、オープンなコラボレーションを通じて学術研究を促進することでした。

DiffusionGPTは、ByteDanceと中山大学の研究者によって開発された、オープンソースの大規模モデル（LLM）駆動型テキスト画像生成システムです。多様な入力に対応できない、あるいは特定の種類のデータに限定されるといった、従来のテキスト画像生成システムの限界を克服することを目的としています。

MetaGPTは、大規模な言語モデルとマルチエージェント協調システムを組み合わせた革新的なメタプログラミングフレームワークであり、人間のワークフローをシミュレートすることで複雑な問題を解決することを目指しています。その中核となるのは、標準作業手順書（SOP）の標準化です。