-
-
拡散モデルの学習を加速し生成品質を上げる手法、2ステップや4ステップでのサンプリング
2026/9/26
SAP-DMDが2ステップと4ステップで学習の収束を早め、生成品質を上げた。
-
-
3D 基礎モデルから 4 次元人物シーン再構築を行う WildHSR、推論速度と精度を両立
2026/9/26
WildHSR が、10.1 fps でメトリックな人物シーン再構築を達成した
-
-
動画の雨を消す FluidRain、ループ構造で計算量を抑える話
2026/9/26
FluidRain が0.80Mパラメータで既存手法に迫る性能を出した
-
-
動画の誤りを特定する介入実験、動画理解モデルの評価基準を再考する話
2026/9/26
動画理解モデルの誤りの主要因はグラウンディングで、既存の評価指標は信頼できない
-
-
3DGS の視覚的振る舞いから変化を分類する PlenoCI、3D 再構築の比較
2026/9/26
PlenoCIが、3DGSの再構築間の偽陽性を2桁減らし、変化分類で最先端の性能を出した
-
-
少数の例から未知の物体を切り出す作業に、画像言語モデルが推定した位置と説明を加えて精度を高める手法
2026/9/26
MK-FSSがMLLMの位置と説明でFew-shotセグメントの精度を大幅に向上
-
-
2Bの自動運転世界モデル HelloWorld、シミュレーションとデータ生成を効率化する話
2026/9/26
HelloWorld が、7 カメラと LiDAR のシミュレーションを数ステップで回す 2B モデルとして公開された
-
-
多様な視覚エンコーダーと Qwen3-VL を組み合わせた曲がり文字の検出と読み取り手法
2026/9/26
MEVL-STP が、曲がり文字の検出で 91.99%、読み取り合わせで 85.86% の精度を出した
-
-
画像の微妙な変化で答えが入れ替わるVLMへのFlipDir、推論時の安定性を高める手法
2026/9/26
FlipDirが18の条件で既存手法を上回り、答えが入れ替わるのを防いだ。
-
-
映画の構図を推論させる CinematicVQA、動画 AI の映画知識を測る話
2026/9/26
CinematicVQA の評価で、モデルは技法の推論が苦手なことが分かった