最近、Meta AIチームはビデオ共同埋め込み予測アーキテクチャ（V-JEPA）モデルを発表しました。この革新的な取り組みは、機械知能の発展を促進することを目的としています。人間は視覚信号からの情報を自然に処理し、周囲の物体や動きのパターンを認識することができます。機械学習の重要な目標の一つは、人間が無監督学習を行う根本的な原理を明らかにすることです。研究者たちは、連続する感覚入力の表現が互いに予測可能であるべきだという重要な仮説を提案しました。初期の研究方法は、遅い特徴分析を通じて行われました。

北京智源人工知能研究院（BAAI）は最近、大規模な無標識インターネットビデオを用いて学習できる革新的な3D生成モデルSee3Dを発表しました。この技術的ブレークスルーは、「See Video，Get3D」という理念への重要な一歩を意味します。See3Dモデルは従来のカメラパラメーターに依存せず、ビジュアルコンディショニング技術を採用し、ビデオの視覚的手がかりのみを用いて、カメラの方向を制御でき、幾何学的に一貫性のある多視点画像を生成します。この手法は、高価な3Dデータやカメラのキャリブレーションを回避します。