2D動画の1点を指定するだけで3次元の動きを追跡 「ProxyPose」公開
トロント大学の研究チームは2D動画の1ピクセルをクリックするだけで物体の6自由度（6-DoF）の3次元位置・姿勢を追跡する「ProxyPose」を発表した。動画モデルを用いて対象をカラー立方体に変換し幾何学的に姿勢を算出することで、透明や反射、遮蔽のある困難な物体でも高精度に追跡できる。
AI画像
新しいニュースを見る
リアルタイム多人数世界モデル「MIRA」：物理エンジンなし、動画生成だけで4人対戦を実現
研究チームがインタラクティブな多人数世界モデル「MIRA」を公開した。物理エンジンやレンダリングエンジンを一切使わず、50億パラメータの拡散モデルが単一の B200 GPU 上で4人対戦画面をリアルタイム生成する。データセットや学習・推論コードもオープンソース化されている。
3D生成のPixWorld：潜在空間を排し、ピクセル空間で再構成と生成を統一
研究チームが3Dシーンの再構成と生成をピクセル空間で統合するモデル「PixWorld」を発表した。従来の潜在拡散モデルやVAEによる情報損失を避け、レンダリング画像上で直接拡散を学習する。幾何知覚損失も導入し、従来手法より高い整合性と忠実度を実現した。
Hi3D、テキストから印刷可能な3Dモデルを5分で生成する新ワークフロー公開
Hi3DはAI生成モデル向けの「3Dプリントワークフロー」を発表した。視覚用アセットにとどまらず、製造可能な水密メッシュを自動作成し、部品の自動分割やボールジョイントの設計を行い、約5分で3MFファイルを出力する。修復作業の手間を大幅に省ける点が特徴。一部無料プランも提供されている。
1ステップで画像生成する新手法「RDM」が登場、4ステップ版を上回る性能
研究チームが単一ステップで高品質な画像を生成する新手法「RDM」を発表し、コードを公開した。数十回のノイズ除去を要する従来の拡散モデルと異なり、特徴分布のマッチングにより 1 回の推論で画像を生成できる。FLUX.2 を 1 ステップ化したモデルでは元の 4 ステップ版を超える評価を記録した。
画像生成を最大21倍高速化する「Mr. Flow」公開、追加学習なしで導入可能
画像生成モデルを9〜21倍高速化するオープンソース手法「Mr. Flow」のコードとComfyUIプラグインが公開された。低解像度で大枠を作ってから拡大・微小ノイズ注入を経て高解像度で整える仕組みで、画質を保ったまま約1秒での出力を実現する。
Meta、骨格不要で動く3Dアバター技術「LUNA」発表 写真とスケッチで動作
Metaは新たな3D人体アニメーションモデル「LUNA」を発表した。従来の骨格リギング（LBS）を使わず、人物写真数枚と動作動画やスケッチなどの2D入力から直接3Dガウシアンを変形させる。フィッティングの破綻や衣服の不自然な歪みを防ぎ、柔軟な動作生成を可能にする。
Google、高速・低コストな画像「Nano Banana 2 Lite」と対話型動画編集「Gemini Omni Flash」を提供開始
Googleは開発者向けに新モデル「Nano Banana 2 Lite」と「Gemini Omni Flash」の提供を開始した。Nano Banana 2 Liteは1000枚あたり0.034ドル・生成速度4秒の低価格と速さを両立。Omni Flashは自然言語での動画編集に対応し1秒あたり0.10ドルで利用できる。いずれもGoogle AI StudioとGemini APIで試せる。
1本の動画から物理シミュレーション対応の4Dシーンを再構築する「OVOW」公開
研究チームは、単眼動画から物体ごとに分離された物理シミュレーション対応の4Dメッシュシーンを生成するシステム「OVOW」を公開した。追加学習なしでQwen3-VLやSAM 3を組み合わせ、物体の動きや変形を含むシーンを再構築する。非商用研究向けに公開されており、40GB以上のVRAMが推奨される。
Google、Geminiのパーソナライズ画像生成を米ユーザーに無料開放
GoogleはGeminiアプリのパーソナライズ画像生成機能を米国の対象ユーザー向けに無料開放した。ユーザーの許可を得てGoogleフォトやGmailのデータと連携し、写真をわざわざアップロードしなくても自身の写真や好みを反映した画像を生成できる。設定からいつでも切り替え可能だ。
ComfyUIが「Comfy MCP」を公開：ノード配線不要、AIエージェントがワークフローを自律実行
ComfyUIはAIエージェントと接続する「Comfy MCP」のパブリックベータを開始した。Claudeなどのエージェントに自然言語で指示するだけで、ノード配置やモデル検索、画像・動画ワークフローの生成と実行を自動化できる。現在は無料ベータ版として提供されている。
ViDiHand：動画拡散モデルで遮蔽に強い3D手指動作を高精度再構成
動画拡散モデルを活用して映像から高精度な3D手指動作を復元するViDiHandが発表された。手部検出器を使わずに激しい指の重なりや遮蔽があっても正確な姿勢を捉えられ、人型ロボットや空間コンピューティング向けのデータ収集を大きく前進させる。
FLUX.2 Klein 9B向け太陽光LoRA登場：球体参照で光の向きを自在に操作
開発者の eric-venti-seeds 氏が FLUX.2-klein-9B 向けの Sun Direction LoRA を Hugging Face で公開した。球体リファレンス画像を置くだけで、屋外シーンの太陽仰角や照射角を正確に指定できる。画像を一度曇天化してから再ライティングする仕組みを採用している。
PhysiFormer公開：3Dメッシュの衝突や弾性変形を予測する物理拡散モデル
3D物体の物理挙動を予測するAIモデル「PhysiFormer」のコードが公開された。物体のメッシュ形状、初期速度、剛性や弾性といった材質情報を与えるだけで、落下や衝突時の変形軌道を3D空間で直接シミュレーションする。静的な3Dモデルに現実の力学法則を吹き込む技術として注目される。
リアルタイム撮影指導AI「ShutterMuse」登場：構図やポーズを助言、推論速度は20倍
研究チームが撮影時のリアルタイム指導に特化したマルチモーダルAI「ShutterMuse」を発表した。13万件の解説付きデータセットで訓練され、GPT-Image-2比で20倍高速に動作しながら、構図の微調整や被写体のポーズを即座に提案できる。
NVIDIAがNeuMatExを発表：写真から複雑な反射を持つ3D神経マテリアルを抽出
NVIDIAは写真群から高精度な3D神経マテリアルを抽出する逆レンダリング技術「NeuMatEx」を発表した。事前予測モデルとパストレーシングを組み合わせ、車の塗装など従来のPBRでは再現が難しかった多層反射を4ミリ秒の低遅延で正確に復元する。
Figma、指示文からカスタムプラグインを即座に生成するAIエージェントを発表
Figmaは年次カンファレンス「Config」にて、プロンプトから再利用可能なカスタムプラグインやWebGPUシェーダーを生成できる設計エージェントを発表した。開発環境やコードの知識がなくても、キャンバス上で指示を出すだけで独自ツールを構築してチームに共有できる。
XHS Visual Director：画像生成プロンプトと投稿文を一括設計する作成支援Skill
SNSのカルーセル投稿向け作成スキル「XHS Visual Director」が登場した。テーマを入力するだけで内容を分析し、6〜8枚のスライド構成、統一されたビジュアル設計、画像生成プロンプト、投稿文とチェックリストを一括で出力する。
Google Flowがストリートビューと連携、実在の場所から動画生成
GoogleはGoogle Flowに地図画像のグラウンディング機能を追加し、ストリートビューを参照した画像・動画生成に対応した。プロンプトに実在の地名やランドマークを入れるだけで、現実の街並みを反映したシーンを生成できる。架空の風景から実座標に基づいた生成への進化と言える。現在は米国地域限定となる。
Krea、画像生成モデル「Krea 2」の重みを公開：微調整用Rawと高速版Turbo
Kreaは画像生成モデル「Krea 2」のモデル重みをオープンソースとして公開した。微調整向けにトレーニング途中の未蒸留モデルとした「Raw」と、多様な表現力を持つ高速な蒸留モデル「Turbo」の2種類を用意。外部の開発者が自前環境で自由にカスタマイズできるようになった。