拡散モデルに匹敵する「TARFlow」登場、正規化フローをTransformerで刷新
研究チームが自回归Transformerを取り入れた正規化フロー手法「TARFlow」を発表した。完全可逆な最大尤度モデルの利点を保ちつつ、課題だった生成品質を拡散モデル匹敵の水準まで引き上げ、画像や動画生成への拡張性を実証した。
AI画像
新しいニュースを見る
xAI、Grokの画像生成モデル「Aurora」公開 リアルな人物や文字描写に対応
xAIはX上のAI「Grok」向けに新しい自己回帰型画像生成モデル「Aurora」を公開した。数十億のデータで学習し、リアルなポートレートや文字、ロゴの精密な描画に対応するほか、画像の入力や編集も可能。一部地域で先行提供されており、1週間以内に全ユーザーへ展開される。
AMD、1ステップ画像生成「Nitro Diffusion」をオープンソース公開
Dec 09, 2024、AMDは1ステップで画像生成が可能な拡散モデル「Nitro Diffusion」をオープンソースで公開した。Stable Diffusion 2.1とPixArt-Sigmaをベースに開発され、Instinct MI250やAI PC向けに最適化されている。重みとコードはHugging Face等で入手可能。
Googleが「PaliGemma 2」を発表：Gemma 2ベースで微調整も容易に
Googleはビジョン言語モデル「PaliGemma 2」を発表した。Gemma 2をベースに画像理解能力を備え、複数サイズを展開する。従来のPaliGemmaからコード変更を抑えて移行できる差し替え互換性を持ち、特定タスク向けの微調整が手軽に行える。
OpenAI、Google DeepMindから画像認識のトップ研究者3人を引き抜き
OpenAIは、Google DeepMindのシニア研究者であるLucas Beyer氏、Alexander Kolesnikov氏、Xiaohua Zhai氏の3人を引き抜いたと発表しました。3人は新設されたスイス・チューリッヒのオフィスに所属し、マルチモーダルAIの開発を担います。最高峰のAI研究者をめぐる人材獲得競争の激化を示しています。
Google、Vertex AIで「Imagen 3」を一般提供開始 動画生成「Veo」もプレビュー提供へ
GoogleはVertex AIで画像生成AI「Imagen 3」を全顧客に公開し、動画生成AI「Veo」の非公開プレビューを開始した。Veoは静止画やプロンプトから最大6秒の動画を生成可能。大手クラウドとして動画生成APIの提供に踏み切った形だが、Veoはまだ一部企業向けの限定公開にとどまる。
Amazon、新世代AIモデル「Nova」を発表：同等クラス比でコスト75%削減
Amazonは新世代基盤モデル群「Amazon Nova」を発表した。超低遅延テキストモデルMicro、マルチモーダルのLiteとPro、画像・動画生成モデルで構成される。Amazon Bedrock経由で提供され、同等クラス最高峰モデルと比べ75%以上の低価格化を実現した。
李飛飛氏のWorld Labs、1枚の写真から操作可能な3D空間を生成するAIを発表
フェイフェイ・リー氏率いるWorld Labsは、1枚の画像からブラウザ上で散策できる3D空間を生成するAIを公開した。物理法則に従い一貫性を保った空間をキーボードとマウスで移動できる。探索範囲はまだ狭いものの、世界モデルの新たな実用性を示した。
Google Labs、プロンプトで駒を生成して対局できる「GenChess」公開
Google LabsはImagen 3を活用した実験的ツール「GenChess」を公開した。プロンプトを入力するだけで独自のチェス駒を生成し、そのままコンピューターと対局できる。現在は一部地域限定で提供されている。
Stability AI、Stable Diffusion 3.5 Large 向け ControlNet を公開
Stability AI はStable Diffusion 3.5 Large 向けに Blur、Canny、Depth の 3 種類の ControlNet を公開しました。最大 16K の高解像度拡大や輪郭線、深度情報による精密な画像制御が可能です。年間売上 100 万ドル以下なら商用利用も無償で、Comfy UI にも対応します。
MITが洪水予測AIを開発：被災後の衛星画像を事前に生成
MITの研究チームは生成AIと物理洪水モデルを組み合わせた「Earth Intelligence Engine」を発表した。暴風雨が来る前に被災後の衛星画像をリアルに描画できる。純粋なAIで起きがちな高地での浸水といった幻覚を防ぎ、直感的な避難判断を後押しする。
Luma AI、Dream Machineを刷新：高速画像モデルPhotonとiOSアプリを提供
Luma AIは動画生成ツール「Dream Machine」を包括的なクリエイティブ基盤へと拡張した。最大8倍高速とされる画像生成基盤モデル「Photon」を投入し、刷新されたUIや開発者向けAPIに加え、新たにiOSアプリの提供も開始した。
AMD「Amuse 2.2 Beta」公開：SD 3.5に対応、Ryzen AIで2K画像生成
AMDが画像生成ソフト「Amuse 2.2 Beta」を公開した。Stable Diffusion 3.5ファミリーに対応し、Ryzen AI 300やRadeon 7000向けに最適化。XDNA超解像技術により、オフラインのノートPCでも最大2048×2048ピクセルの高品質画像を簡単に生成できる。
Runway、画像生成モデル「Frames」発表 画風の一貫性を維持
米Runwayは新しい画像生成ベースモデル「Frames」を発表した。高いスタイル制御力と忠実度を備え、統一された美学やトーンを維持したまま多彩なバリエーションを生成できる。現在、Gen-3 AlphaおよびRunway API向けに順次提供を開始している。
KREA AIがFlux画像プロンプトを公開：参考画像で生成を制御、全員に無料提供
KREA AI は Flux 画像プロンプト機能を発表した。ユーザーは Flux モデルでの画像生成時に参照画像を条件として指定し、画面をコントロールできるようになった。本機能はすべてのユーザーに無料で提供される。
Messengerの通話にAI背景機能が追加 HD画質や音声メッセージも
MetaはMessengerの通話向けに新機能を発表した。Meta AIを使った自分好みの通話背景を生成できる機能が追加されるほか、HD画質や背景ノイズ低減、相手が不在の際に音声や動画メッセージを残せる機能が順次提供される。
Nianticが地理空間AIを開発：『Pokémon GO』プレイヤーのスキャンデータを活用
Nianticは『Pokémon GO』などのプレイヤーが撮影した数百万件の現実スキャンデータを基に「大規模地理空間モデル（LGM）」を開発中だと発表した。車が入れない歩行者視点の高精度な3D空間をAIやロボットに理解させる狙いがある。
Mistralが無料AI「le Chat」を大幅刷新：Web検索・Canvas・画像生成を統合
Mistral AIは無料アシスタント「le Chat」の大型アップデート（ベータ版）を発表した。引用付きWeb検索や共同編集用Canvas、Flux Proによる画像生成のほか、新マルチモーダルモデルPixtral Largeによる高度な文書・画像解析に対応する。ChatGPTに対抗する強力な選択肢となる。
Google DocsがGemini画像生成に対応：Imagen 3で本文挿絵やカバー画像を直接作成
GoogleはGoogle DocsにGeminiによる画像生成機能を導入したと発表した。最新のImagen 3モデルを活用し、プロンプト入力だけで本文内の挿絵や全幅カバー画像を作成できる。Gemini WorkspaceやGoogle One AI Premiumの有料ユーザー向けに順次提供される。
Basejump、AI活用のソーシャルゲーム基盤を発表 ノーコードでゲーム生成
Basejumpは、AIを活用したゲーム基盤「Action」を備えるWeb3ソーシャルゲームプラットフォームを発表した。Community Labsから戦略的出資を受け、コード不要でゲームやアセットを生成可能にする。AOの分散計算とArweaveの永久保存を活用し、2025年初頭の公開を予定している。