マイクロソフトが開発した動画生成モデルDragNUWAは、静止画に動きを与えることができます。ドラッグ操作で動きの軌跡を指定するだけで、滑らかな動画を生成します。
カメラや複数のオブジェクトの移動、複雑な軌跡も同時に制御でき、現実世界の風景や芸術的な絵画風の動画を作成可能です。DragNUWAは、テキスト、画像、軌跡情報を導入することで、意味、空間、時間といった観点から動画の内容を精密に制御します。
研究者らは、カメラの移動と複雑な軌跡の2つの側面からモデルをテストし、複雑な動きを正確にモデル化し制御できる能力を実証しました。
モデルのトレーニングプロセス概要には、軌跡サンプラー、マルチスケール融合、適応型トレーニングが含まれています。DragNUWAは、WebVidとVideoHDのデータセットを使用してトレーニングされました。
このモデルは、動画制作やアニメーション制作など、幅広い分野への応用が期待されます。
【AIデイリー】へようこそ！ここは、毎日人工知能の世界を探求するためのガイドです。毎日、開発者に焦点を当て、技術トレンドを洞察し、革新的なAI製品アプリケーションを理解するのに役立つ、AI分野のホットなコンテンツをお届けします。
香港と英国の研究者チームが最近、画像をよりコンパクトで正確なデジタル表現（トークン）に変換するための新しい画像トークン化手法を提案しました。従来の手法では情報がすべてのトークンに均等に分散されるのに対し、この手法は階層構造を採用し、層ごとに視覚情報を捉えることで、画像の再構成品質と効率性を向上させています。従来の画像トークン化技術は通常、画像の各部分を複数のトークンに均等に分割しますが、この新しい手法は階層構造を採用しています。最初のトークンは、大まかな形状と構造要素を符号化します。
アリババグループの科学者チームが、幅広い動画生成と編集タスクを統一的に処理することを目的とした汎用AIモデル、VACEを発表しました。VACEの中核は、強化された拡散Transformerアーキテクチャであり、その革新的な点は「ビデオ条件ユニット（VCU）」という新しい入力形式です。VCUは、テキストプロンプト、参照画像や動画シーケンス、空間マスクなど、多様なモダリティの入力を統一的な表現に凝縮し、専用のメカニズムによって異なる入力間の調整を行い、競合を回避します。概念の分離により、きめ細やかな制御を実現します。
先日、DBC、CIW、CISが共同で発表した「2025年AI動画生成企業トップ20」ランキングが正式に発表されました。快手傘下の可灵AI、愛詩科技PixVerseAI、そして抖音の即夢AIがトップ3を占めました。その他、アリババ（通義万相、絵蛙AIビデオ）、テンセント（智影）、科大訊飛（訊飛絵鏡）、MiniMax（海螺AI）など、多くの企業がランクインしています。
人工知能による動画生成技術は、コンテンツ制作の様相をかつてないスピードで変えつつあります。AIbaseがソーシャルメディアから入手した情報によると、Google Veo 2がGoogle AI Studioに正式に登場し、ユーザー向けに無料トライアルが開始されました。このニュースは、開発者やクリエイターから大きな注目を集めており、Veo 2の普及における重要な一歩となるだけでなく、AI動画生成のための低コストなテスト環境を提供することになります。以下は、AIbaseによるこの動向に関する詳細なレポートです。Veo 2の無料トライアルの仕組みについて解説します。
アリババ通義实验室は最近、OmniTalkerという新型のデジタルヒューマン動画生成大規模モデルを発表しました。この革新的なモデルの中核は、参照動画をアップロードすることで、動画内の人物の表情、音声、話し方を正確に模倣できる点にあります。従来のデジタルヒューマン制作プロセスと比べて、OmniTalkerは制作コストを大幅に削減し、同時に生成コンテンツのリアル感とインタラクティブ体験を向上させ、幅広い用途のニーズを満たします。OmniTalkerは非常に使いやすく、ユーザーは…