SenseTimeが「SenseNova U1」をオープンソース公開、画像とテキストを単一モデルで統合生成
SenseTimeは統合マルチモーダルモデル「SenseNova U1」をオープンソース公開した。従来の視覚エンコーダを排してピクセルとテキストをエンドツーエンドで統合し、視覚推論や複雑なインフォグラフィック、テキストと画像の連続生成をこなす。ただし、写実的な人物描写には不自然なプラスチック感が残る。
AI画像
新しいニュースを見る
Googleフォト、写真から「仮想クローゼット」を作るAI試着機能を発表
GoogleはGoogleフォト向けにAIを活用したバーチャル試着機能を発表した。端末の写真から着用した服を検出して「仮想ワードローブ」を作成し、トップスや靴を自由に組み合わせて試着できる。今夏後半にAndroid向けに提供され、その後iOSにも拡大する予定だ。
SpAItialが3D世界モデル「Echo-2」発表：1枚の写真から操作可能な空間を生成、Marble 1.1超え
SpAItialはテキストや単一の写真から操作可能な3D空間を生成する世界モデル「Echo-2」を発表した。3DGS形式でブラウザ上でのリアルタイム描画に対応し、WorldScoreベンチマークではWorld LabsのMarble 1.1を上回ったとしている。
Anthropic、BlenderやAdobeとClaudeを連携するコネクタ群を公開
AnthropicはBlender、Adobe、Autodesk Fusion、Abletonなどの制作ソフトとClaudeを直接接続する連携コネクタを発表した。FusionやBlender内での自然言語による3Dモデリングや、Affinityでのバッチ自動化が可能になる。AIを別画面ではなく、既存のプロ向け制作環境に直接組み込む狙いだ。
マイクロソフトが「World-R1」発表：強化学習で動画生成に3D一貫性を付与
マイクロソフトは動画生成フレームワーク「World-R1」を発表しました。Wan2.1をベースに強化学習を活用し、基本モデルの構造を変えずに3D整合性を付与。視覚的クオリティを保ったまま空間的な破綻を防ぎます。
復旦大学、テキストからリアルタイムで音声・動画アバターを生成する「Hallo-Live」を発表
復旦大学の研究チームはリアルタイム音声・動画アバター生成フレームワーク「Hallo-Live」を発表した。2 基の NVIDIA H200 で 20.38 FPS、遅延 0.94 秒を達成。テキスト入力から高品質な映像と音声を低遅延で同期生成でき、インタラクティブなデジタルヒューマンの課題を解決する。
アリババQwenが「Qwen-Image-2.0-Pro」公開、Arena画像生成世界9位に
アリババのQwenチームは画像生成モデル「Qwen-Image-2.0-Pro」を公開した。画質や多言語テキスト描画、指示追従性が向上し、評価プラットフォームArenaの文生図部門で世界第9位にランクインした。現在はModelScopeで試用できるほかAPIも提供されている。
動画を4D点群に変換して再撮影できる「Vista4D」登場 自由なカメラワークや編集に対応
通常動画を時間軸付き4D点群へ変換するフレームワーク「Vista4D」が発表された。被写体の一貫性を保ったまま自由なカメラ軌道で再撮影できるほか、3D空間上で物体の追加や削除といった合成編集にも対応する。
Ideogram、独自画像で学習できる「カスタムモデル」提供開始
画像生成AIのIdeogramはユーザー独自の画像データで追加学習できる「Custom Models」の提供を開始した。ブランド固有のアートディレクションや文字レイアウト、ビジュアルを一貫して出力できる。Team、Pro、EnterpriseプランおよびAPIで利用可能。
Google、画像理解と生成を統合した「Vision Banana」発表 分割や深度推定も画像生成で処理
Googleは画像理解と生成を統合したモデル「Vision Banana」を発表した。Nano Banana Proを微調整し、セグメンテーションや深度推定といった認識タスクを画像生成として処理する。ゼロショット評価ではMetaのSAM 3など専用モデルに匹敵または上回る性能を示した。
スマホ撮影で家全体を3D化、PlayCanvasベースのガウス・スプラッティングが話題に
PlayCanvasをベースにしたオープンソースの3Dガウス・スプラッティング技術により、スマホで撮影した住宅をブラウザ上でフォトリアルに内見できるようになりました。従来のポリゴンではなく無数の光の雲で描画し、動画並みの容量で動作します。スキャン費用は約200ドルに抑えられ、不動産向けの新ビジネスとしても注目を集めています。
順不同の写真数枚から3D空間を復元する「AnyRecon」が登場
任意のアングルから撮影した少数の写真から一貫した 3D シーンを再構成するフレームワーク「AnyRecon」が発表された。従来の拡散モデルと異なりシーン全体の記憶を保持するため、順不同や撮影角度のズレがあっても破綻なく 3D モデルを生成できる。
画像2枚からリアルな商品紹介動画を生成する「CoInteract」が登場
人物と商品の画像2枚から自然な紹介動画を生成するフレームワーク「CoInteract」が発表されました。ピクセル生成と物体の接触構造を別々に処理するデュアルストリーム構造を採用し、AI動画にありがちな手の破綻や突き抜けを防ぎます。
Open CoDesign：ローカルで動くオープンソースのAIデザインツール
Open CoDesignは、Claude DesignやFigma AIのローカル代替となるオープンソースのデスクトップアプリです。手持ちのAPIキーやローカルのOllamaを接続し、プロンプトや参考画像からUIプロトタイプやスライドを自動生成し、HTML等で書き出せます。
OpenAI、「ChatGPT Images 2.0」公開 文字描写や多言語対応を強化
OpenAI は画像生成モデル「ChatGPT Images 2.0」を公開した。画像内のテキスト描写能力と視覚的推論が強化され、日本語や中国語、アラビア語など多彩な文字の描画に対応。写真やマンガ表現の精度も向上しており、ChatGPT 上で直接利用できる。
カメラの角度を数値で指定して画像を編集、3D視点を精密制御する「UniGeo」
カメラの視点を高精度に制御できる画像編集フレームワーク「UniGeo」が発表された。単一画像を3D幾何表現に変換し、角度や移動量を数値で指定してパンやチルトを行える。従来の生成AIで課題だった視点変更時の歪みを抑える技術で、モデルの公開も予告されている。
UniMeshが登場：3Dモデルの生成と編集、理解を1つのモデルに統合
3D生成と3D理解を単一アーキテクチャに統合するフレームワーク「UniMesh」が発表されました。テキストや画像からの3Dメッシュ生成だけでなく、プロンプトによる部分編集や、3D物体に対する説明文の生成にも対応します。これまで分断されていた生成と理解のタスクを統合し、相互に精度を高め合える点が注目されています。
Canva、Anthropic「Claude Design」と連携 AI生成コードをドラッグ＆ドロップ編集可能に
CanvaはAnthropic Labsの新ツール「Claude Design」との連携とHTMLインポート機能を発表した。Claudeで生成した草案やコード成果物をCanvaに取り込み、コードを再生成することなくドラッグ＆ドロップでレイアウトや配色を調整できる。
AdobeがTokenLight発表：2D写真の光源を3Dで自由自在に再配置
Adobe は画像のリライティング技術「TokenLight」の論文を発表した。光の強度や色、3D 位置をトークン化し、スライダー感覚で写真内の光源配置や拡散度合いを直感的に変更できる。明示的な 3D 監督なしに光と遮蔽物の関係を再現できるのが見どころだが、現在は研究論文の公開のみとなっている。
Google、GeminiにGoogleフォト連携の画像生成を追加 家族写真からクレイアニメ風画像を生成
GoogleはGeminiアプリにNano Banana 2とGoogleフォトを連携させたパーソナライズ画像生成機能を導入したと発表した。写真の手動アップロードや詳細な指示文を書かなくても、フォト内のラベル情報を参照して家族やペットを描いた画像を自動生成できる。現在は米国の有料会員向けに順次提供されている。