Stable Diffusionなどのモデルの登場は、画像生成分野における大きな進歩を示しましたが、自己回帰言語モデルとの根本的な違いが、統一された言語ビジョンモデルの開発を妨げていました。この問題を解決するために、研究者らはMeissonicを発表しました。これは、非自己回帰マスク画像モデリング（MIM）テキストツーイメージ技術を、SDXLなどの最先端の拡散モデルに匹敵するレベルまで向上させました。Meissonicの核心は、一連のアーキテクチャの革新と、高度な位置エンコーディングにあります。

ディズニーの研究チームは最近、オープンソースのStable Diffusion V1.2モデルを利用した新しい画像圧縮手法を発表しました。この手法は、競合他社よりも低いビットレートで、よりリアルな画像を生成できます。この新手法は「コーデック」と呼ばれ、従来のJPEGやAV1コーデックよりもはるかに複雑ですが、その性能は驚異的です。研究によると、新手法は画像細部の復元においてより優れた性能を示し、必要なトレーニングコストも大幅に削減されています。研究者

Stability AIが技術的障壁を再び突破し、新しいStable Diffusion 3.5 Mediumモデルを発表しました。この一般ユーザー向けのAIペイントツールは、完全に無料で商用利用が可能であるだけでなく、高性能と普及性の完璧なバランスを実現しています。多様なモダリティ拡散変換器（MMDiT-X）アーキテクチャを採用したこのモデルは、25億パラメータの簡素な設計により、一般ユーザーのハードウェアのハードル問題を巧みに解決しました。わずか9.9GBのVRAMで、ほとんどの消費者向けグラフィックカードでスムーズに動作します。

先日、北京人工知能学院の研究チームは、OmniGenという新しい画像生成モデルを発表しました。Stable Diffusionなどの従来の画像生成ツールとは異なり、OmniGenは単一タスクに特化していません。様々な能力を備えています。一つの統一されたフレームワークの中で、テキストから画像の生成、画像の編集など、複数の画像生成タスクを処理できます。まさに万能選手と言えるでしょう。つまり、ユーザーはシンプルなプロンプトを提供するだけで…

Google DeepMindとマサチューセッツ工科大学（MIT）は、最近の研究で大きな成果を発表しました。研究チームが開発した新しい自己回帰モデルFluidは、テキストから画像を生成する分野で画期的な進歩を遂げ、105億パラメーター規模に拡張された後、優れた性能を発揮することが示されました。この研究は、業界の一般的な認識を覆すものです。これまでは、自己回帰モデルは自然言語処理分野で主導的な地位を占めていましたが、画像生成においてはStable DiffusionやGoogleのモデルに劣ると考えられていました。

昨日夜、Stability AIは、その最強のモデルであるStable Diffusion 3.5を発表しました。これは単一のモデルではなく、研究者からビジネス愛好家、スタートアップ企業、企業まで、多様なニーズを満たすことを目的とした3つのバージョンを含むファミリーパックです。この3つのバージョンは、Stable Diffusion 3.5 Large、Stable Diffusion 3.5 Large Turbo、そして10月29日にリリース予定のバージョンです。

智源研究院のEmu3チームは、全く新しいマルチモーダルモデルEmu3を発表しました。このモデルは、次のトークン予測のみを基にトレーニングされており、従来の拡散モデルや複合モデルのアーキテクチャを覆しています。生成タスクと認識タスクの両方で最先端の性能を達成しています。長らく、次のトークン予測は人工知能の汎用人工知能（AGI）への道筋として期待されてきましたが、マルチモーダルタスクでは不十分な結果に終わっていました。現在、マルチモーダル分野では、Stable Diffusionなどの拡散モデルが依然として主流です。

先日、AI企業Stability AIは、著名監督ジェームズ・キャメロンが取締役会に加わることを発表しました。このニュースは映画業界に大きな衝撃を与えました。ご存知の通り、キャメロン監督は『アバター』『ターミネーター』『タイタニック』などの名作を手がけており、今回の就任はStability AIにとって大きな勝利と言えるでしょう。Stability AIは画像・動画生成に特化したAI企業であり、最も有名な製品はStable Diffusionです。

ドイツの研究機関LAIONが、児童性的虐待素材（CSAM）への疑わしいリンクを削除したと主張する新しいデータセット、Re-LAION-5Bを生成・公開しました。このデータセットは、以前のデータセットLAION-5Bを修正したもので、インターネット・ウォッチ財団、ヒューマン・ライツ・ウォッチ、カナダ児童保護センター、スタンフォードインターネット観察所の提案を採用しています。Re-LAION-5Bは、ResearchとResearch-Safeの2つのバージョンに分かれており、後者はNSFWコンテンツがさらに削除されています。このデータセットは、〜を支援することを目的としています。

RunwayがHugging FaceプラットフォームからStable Diffusion v1.5を含むコードリポジトリを密かに削除したことが、テック業界で大きな注目を集めています。Hugging Faceやコミュニティへの事前の通知なく削除されたため、これらのリソースに依存する開発者や研究者らが混乱に陥っています。Stable Diffusion v1.5はRunwayが関与した研究プロジェクトであり、関連論文でも重要な位置を占めていました。しかし、このバージョンは著作権問題により...

賈佳亞チームが開発したControlNeXtは、AIモデルの使用方法を簡素化するオープンソースの画像／動画生成誘導ツールです。このツールはコンパクトで、SDXL、SD1.5などのStable Diffusionファミリーのモデルと互換性があり、エッジ誘導、姿勢制御、マスク、被写界深度制御など、複数の制御モードをサポートしています。その「ダイエットの秘訣」は、より効率的な構造を採用することであり、「大食い」制御ブランチを少量のResNetブロックで構成される「ライトミール」に置き換えることで、モデルのサイズを