TeleStyle 公開：画像・動画の画風を参照画像やテキストで自在に変換
画像と動画に対応したスタイル変換モデル「TeleStyle」が発表された。Qwen-Image-Editをベースに開発され、参照画像やテキスト指示から元の構図を崩さずに画風を適用できる。動画向けモジュールでフレーム間の一貫性も維持しており、コードとモデルが公開されている。
AI画像
新しいニュースを見る
アリババ、画像生成AIの基底モデル「Z-Image」をオープンソース公開
アリババの通義チームは画像生成AIの基底モデル「Z-Image」を公開した。蒸留前のフルモデルで、Turbo版で課題だった構図の固定化や顔の重複を解消し、LoRAなどの追加学習に適している。生成ステップ数は50歩に増えるが、ComfyUIで即日利用可能だ。
ESAのAI「AnomalyMatch」、ハッブル望遠鏡画像から未知の宇宙異常800件以上を発見
欧州宇宙機関（ESA）の研究チームはニューラルネットワーク「AnomalyMatch」を発表した。ハッブル望遠鏡アーカイブの画像約 1 億枚をわずか 2 日半で解析し、重力レンズや正体不明の構造など、過去に記録されていない 800 以上の異常天体を発見した。
Krea AI、画像編集機能「Realtime Edit」のベータテストを開始
Krea AIは新機能「Realtime Edit」のベータテストを開始した。ウェイティングリスト上位1万人のユーザーとすべてのMax会員が先行して利用できる。リアルタイムな画像編集が可能になるが、一般ユーザーは引き続き順番待ちが必要だ。
Google DeepMind、サンダンスでAI短編アニメを公開：Veoと手描きを融合
Google DeepMindと元Pixarのクリエイター陣が制作した短編アニメ『Dear Upstairs Neighbors』がサンダンス映画祭で公開された。テキスト指示のみに頼らず、手描きのラフ動画からVeoやImagenで精密に制御する手法を採用。プロの表現意図を損なわずに生成AIを活かす制作手法として注目される。
テンセント、思考型画像編集モデル「HunyuanImage 3.0-Instruct」をオープンソース公開
テンセントは画像編集・生成モデル「HunyuanImage 3.0-Instruct」を公開した。思考連鎖（CoT）を内蔵し、編集手順や保持領域を推論してから画像処理を行うのが特徴。視点変更や複数画像の合成に対応し、同社アプリ「元宝」で体験可能だが、169GBのモデル重みは高いVRAMを要求する。
Google DeepMindがD4RTを発表：4D空間の再構築と追跡を最大300倍高速化
Google DeepMindは2D動画から動的な3D空間と時間を同時に理解する統一モデル「D4RT」を発表した。動画全体を時空間表現に圧縮し、並列クエリで深度や追跡情報を即座に取得することで、従来手法比で最大300倍の処理能力を実現。ロボットやARの空間認識を大きく前進させる。
リアルタイム画像分割モデル「RF-DETR」公開、最速3.4ミリ秒で動作
リアルタイム画像分割モデル「RF-DETR segmentation」がApache 2.0ライセンスでオープンソース公開された。Nanoから2XLargeまで6つのサイズが用意され、1枚あたり最速3.4ミリ秒（40.3 mAP）から高精度な49.9 mAP（21.8ミリ秒）まで対応する。
YouTube、クリエイター自身の「AI分身」でShorts動画を作成可能に
YouTubeはクリエイターが自身のAI肖像を使ってShortsを生成できる機能を年内に提供すると発表しました。テキストからのミニゲーム生成も予定されており、無断での悪用を防ぐ肖像管理ツールも同時に提供されます。現在は未提供です。
動画切り抜きモデルVideoMaMa：粗いマスクを高精度なアルファマットに変換
研究チームが動画マット処理モデル「VideoMaMa」を発表した。事前学習済み拡散モデルを活用し、大雑把な分割マスクを画素精度のアルファマットへ変換する。5万本超の動画データセット「MA-V」とSAM2-Matteも構築され、全モデルとデータが公開予定となっている。
Motion 3-to-4：単眼動画を4D動的オブジェクトに変換、動作の移植にも対応
単眼動画から高品質な 4D 動的オブジェクトを合成するオープンソースモデル「Motion 3-to-4」が公開された。静的 3D 形状と動作再構成を分離してフレームごとの頂点軌道を予測し、抽出したキャラクター動作を別動画へ移植できる。
Lightricks、音声から動画を生成する新機能を提供 楽曲のビートに同期
Lightricks は音声、音楽、効果音から動画を生成できる新機能を発表した。リズムや拍子を理解して映像を音と同期させることが可能で、ミュージックビデオや素材映像、デジタルヒューマンの制作に活用できる。音声そのものが新たなプロンプトになる。
Overworld、キーボードとマウスで操作できるリアルタイム世界モデル「Waypoint-1」をオープンソース公開
Overworldはキーボードやマウスでリアルタイムに操作できる動画生成世界モデル「Waypoint-1」をオープンソース公開しました。1万時間のゲーム映像で学習され、RTX 5090上で最大60FPSの低遅延生成を実現しています。画質や一貫性に課題は残るものの、2.3Bの小型モデルがローカル向けに提供されています。
Metaが「ShapeR」を公開：撮影動画から実寸大の独立した3D物体を個別に復元
Metaが画像シーケンスからシーンを3D復元するオープンソース技術「ShapeR」を公開しました。空間全体を1つの塊として出力する従来手法と異なり、SLAM点群とマルチモーダルデータを組み合わせ、各物体を実寸大かつ独立した3Dメッシュとして生成します。シーン内の物体を個別に移動・編集できるようになります。
画像1枚からBlenderの3Dシーンを構築するAIエージェント「VIGA」が登場
研究チームが、単一の画像からBlender内で編集可能な3Dシーンプログラムを再構築するマルチモーダルエージェント「VIGA」を発表した。基本的な図形からのモデリングや外部3Dツールの連携に対応し、評価ベンチマーク「BlenderBench」では従来比124％以上の性能向上を記録している。
複数キャラを破綻なく動かす動画生成モデル「CoDance」がオープンソース化
任意の人数のキャラクターを自然に動かせるアニメーションモデル「CoDance」が公開された。ポーズと位置の固定的な結びつきを解き、テキストとマスクで再マッピングすることで、位置ズレや多様な画風に対応する。現在コードと重みが無償提供されている。
Black Forest Labsが「FLUX.2 klein」公開、1秒未満で画像生成・13GB GPUで動作
Black Forest Labsは画像生成モデル「FLUX.2 klein」を発表した。13GB VRAMの一般向けGPUで1秒未満の画像生成・編集が可能。Apache 2.0ライセンスの4B版と重み公開の9B版を用意し、APIや無料デモアプリも提供する。
Black Forest Labs、画像生成「FLUX.2 [klein]」発表 1秒未満で推論、4B版はApache 2.0公開
Black Forest Labsは、1秒未満での推論を可能にする高速画像生成モデル「FLUX.2 [klein]」を発表した。競合モデルより30％以上高速化し、9Bと4Bのバリアントを用意。特に4B版はApache 2.0ライセンスでオープンソース化され、8.4GBのVRAMでローカル動作する。
3Dモデルの骨組みを自動推定する「RigMo」登場：人や動物から扇風機まで手作業なしでアニメーション化
3Dメッシュの連続データから骨格とモーションを自動推論するフレームワーク「RigMo」の論文が公開された。人手によるボーン設定なしで、人間だけでなく動物や扇風機などの物体も破綻なくセットアップできる。現在論文が公開されており、コードとデータも順次公開される予定だ。
Tencentが「VerseCrafter」発表：1枚の画像からBlenderでカメラと物体の軌跡を操作できる動画生成モデル
Tencentなどの研究チームが、4D幾何コントロールを備えた動画生成モデル「VerseCrafter」を発表しました。1枚の静止画から3D表現を構築し、Blender上で指定したカメラワークや物体の移動軌跡に沿って一貫性のある動画をWan2.1ベースで生成します。