ユニファイドモデル（統一モデル）
Definition
ユニファイドモデルとは、テキスト生成、画像認識、コード合成など、個別の専門モデルを必要とせずに、さまざまな異なるタスクを実行できる人工知能システムを指します。これにより、リソース …
Multimodal
テキスト・トゥ・ビデオ
Definition
テキスト・トゥ・ビデオとは、自然言語の入力に基づいて動的な視覚コンテンツを作成する生成AIモデルを指します。これらのシステムは、テキストプロンプトから意味を理解し、一貫性のある …
テキストから画像へ
Definition
テキストから画像へは、自然言語の説明に基づいて写実的または芸術的な画像を合成するために生成人工知応用を指します。これらのシステムは通常、拡散…
Summary …
Moshi
Definition
Moshiは、Kyutaiによって作成された高度なAIモデルであり、音声とテキストの処理を統合されたフレームワークに統合しています。従来のシステムが処理の前に音声をテキストに変換 …
Ltx Video
Definition
Ltx Videoは、動画生成における生成AIの進歩を表すもので、潜在空間での拡散プロセスを利用して、一貫した動きと視覚的詳細を作成します。動画生成における一般的な課題（例えば、 …
画像テキストからテキストへ
Definition
画像テキストからテキストへ（Image Text To Text）は、視覚的な入力とテキストクエリを処理し、一貫性のある自然言語の出力を生成するモデルを指します。これらのシステム …
Genie
Definition
Genieは、動画の合成のために特別に設計された生成モデルファミリーを指します。Google DeepMindの研究者らによって開発されたこれらのモデルは、一貫性のある動画シーケ …
Diffusers: Qwen画像生成パイプライン
Definition
このパイプラインは、Qwen-VLモデルの生成能力を画像合成に適応させたものです。テキストプロンプトを提供するか、テキストと参照画像を組み合わせることで、高品質な画像を生成するこ …
DeepSeek VL V2
Definition
DeepSeek VL V2は、標準的な言語モデルの機能をマルチモーダル領域へと拡張し、画像をテキストと同時に解釈することを可能にします。ビジョンエンコー …
データセット：埋め込みデータ/Flickr30Kキャプション
Definition
Flickr30Kキャプションは、視覚的内容を記述する5つの異なる英語文で注釈付けされた3万1,783枚の画像からなる、広く使用されているベンチマークデータセットです。これは基盤 …
結合パターン学習器
Definition
結合パターン学習器は、画像とそのテキスト記述など、2つの異なる空間からのインスタンスがリンクされているデータを扱うために設計されています。結合分布や相関をモデル化することで、異な …
対照的言語-画像事前学習
Definition
対照的言語-画像事前学習（CLIP）は、インターネット上の画像とそれに対応するキャプションで訓練されたニューラルネットワークアーキテクチャです。これは、画像とテキストの埋め込み空 …
Any To Any（任意から任意へ）
Definition
Any-to-anyとは、テキストから画像へ、画像からテキストへ、音声から動画へなど、多様な入出力組み合わせを処理できる統一されたマルチモーダルアーキテクチャを指します。これらの …
ビジョン・ランゲージ
Definition
ビジョン・ランゲージモデルは、マルチモーダル大規模言語モデル（MLLMs）とも呼ばれ、コンピュータビジョンと自然言語処理を統合します。これにより、AIは画像を理解し、テキストを生 …
クロスモーダル
Definition
クロスモーダルAIは、視覚、聴覚、テキスト入力など、異なるモダリティからのデータを処理し相関させることを指します。これらのシステムは共通の表現を学習することで、異なるデータタイプ …
ビジュアル（視覚）
Definition
AIにおける「ビジュアル」という用語は、主にコンピュータビジョンを指します。これは、機械がデジタル画像、動画、その他の視覚入力から意味のある情報を抽出することを目的とした分野で …
生成
Definition
人工知能において、生成とは、特に生成敵対ネットワーク（GAN）やトランスフォーマーベースの大規模言語モデル（LLM）などのモデルが、テキストや画像などの新規コンテンツを生成する能 …