Parti: Pathways Autoregressive Text-to-Image Model

Google Researchが開発したテキストから画像を生成する拡散モデルです。言語を深く理解し、フォトリアルな画像を生成します。Imagenは画像とテキストの整合性およびサンプルの忠実性に優れており、人間の評価で他のモデルを凌駕し、COCOなどのベンチマークで最先端のFIDスコアを達成しています。ImagenはGoogle Researchが開発したテキストから画像を生成する拡散モデルです。言語を深く理解し、フォトリアルな画像を生成します。Imagenは画像とテキストの整合性およびサンプルの忠実性に優れており、人間の評価で他のモデルを凌駕し、COCOなどのベンチマークで最先端のFIDスコアを達成しています。

HunyuanImage 3.0 — 画像生成のためのAIモデル

AI モデル

画像生成のために設計された強力なネイティブマルチモーダルモデルです。テキストから画像、画像から画像へのタスクの両方に優れた能力を発揮し、創造的な編集やインテリジェントなプロンプトの強化に向けた高度な機能を提供します。HunyuanImage 3.0は、画像生成のために設計された強力なネイティブマルチモーダルモデルです。テキストから画像、画像から画像へのタスクの両方に優れた能力を発揮し、創造的な編集やインテリジェントなプロンプトの強化に向けた高度な機能を提供します。

DM-GAN

AI GitHub リポジトリ

テキストから画像への合成のためのDynamic Memory Generative Adversarial NetworksのPyTorch実装です。このリポジトリは、CVPR2019の論文に基づいた、テキスト説明からの画像生成のためのコード、事前学習済みモデル、および評価スクリプトを提供します。DM-GANは、テキストから画像への合成のためのDynamic Memory Generative Adversarial NetworksのPyTorch実装です。このリポジトリは、CVPR2019の論文に基づいた、テキスト説明からの画像生成のためのコード、事前学習済みモデル、および評価スクリプトを提供します。

StyleGAN-XL

AI GitHub リポジトリ

大規模で多様なデータセットから高解像度画像を生成するためのAIモデルです。StyleGANアーキテクチャを拡張し、画像合成の品質と多様性を向上させます。このプロジェクトでは、トレーニング、サンプル生成、画像反転および編集のためのコードを提供します。StyleGAN-XLは、大規模で多様なデータセットから高解像度画像を生成するためのAIモデルです。StyleGANアーキテクチャを拡張し、画像合成の品質と多様性を向上させます。このプロジェクトでは、トレーニング、サンプル生成、画像反転および編集のためのコードを提供します。

凍結されたビジュアルエンコーダーと大規模言語モデルを連携させることで、視覚と言語の理解を強化するAIモデルです。詳細な画像説明の生成、ドラフトからのウェブサイト作成、画像に触発された物語の執筆、視覚的な問題の解決など、高度なマルチモーダル能力を発揮します。MiniGPT-4は、凍結されたビジュアルエンコーダーと大規模言語モデルを連携させることで、視覚と言語の理解を強化するAIモデルです。詳細な画像説明の生成、ドラフトからのウェブサイト作成、画像に触発された物語の執筆、視覚的な問題の解決など、高度なマルチモーダル能力を発揮します。

VideoPoet

AI モデル

Google Researchが開発した、ゼロショットビデオ生成が可能な大規模言語モデルです。オートリグレッシブ言語モデルを高品質なビデオジェネレーターに変換し、テキストからビデオ、ビデオからオーディオ、および様々な編集タスクを、印象的な時間的整合性とモーション忠実度でサポートします。VideoPoetは、Google Researchが開発した、ゼロショットビデオ生成が可能な大規模言語モデルです。オートリグレッシブ言語モデルを高品質なビデオジェネレーターに変換し、テキストからビデオ、ビデオからオーディオ、および様々な編集タスクを、印象的な時間的整合性とモーション忠実度でサポートします。

DALL·E

AI モデル

テキストの説明から画像を生成するAIモデルです。幅広い視覚的コンセプトを作成したり、無関係なアイデアを組み合わせたり、テキストをレンダリングしたり、既存の画像を変換したりすることができ、自然言語プロンプトを視覚化する新しい方法を提供します。DALL·Eは、テキストの説明から画像を生成するAIモデルです。幅広い視覚的コンセプトを作成したり、無関係なアイデアを組み合わせたり、テキストをレンダリングしたり、既存の画像を変換したりすることができ、自然言語プロンプトを視覚化する新しい方法を提供します。

Flamingo

AI モデル

Google DeepMindが開発した単一のビジュアル言語モデル（VLM）であり、多様なマルチモーダルタスクにおける少数の例からの学習（few-shot learning）に優れています。画像、動画、テキストが混在した入力を処理し、関連する言語出力を生成します。追加のトレーニングなしで、タスク固有の例を最小限で済ませることができます。Flamingoは、Google DeepMindが開発した単一のビジュアル言語モデル（VLM）であり、多様なマルチモーダルタスクにおける少数の例からの学習（few-shot learning）に優れています。画像、動画、テキストが混在した入力を処理し、関連する言語出力を生成します。追加のトレーニングなしで、タスク固有の例を最小限で済ませることができます。