トピック: Cross-Attention

全セクション横断 6 件

研究チームが、40億パラメータで一般的なグランドマスター級に指し、手と計画を自然言語で説明するチェスLM「Queen」を発表した。専門エンジンと言語モデルを融合する手法で、業務AIの説明可能性向上に道を開く。

自動運転向けの視覚・言語・行動（VLA）モデルに、過去の推論や目標を記憶して知覚へ反映する仕組み「PRIME」が提案された。追加は0.41%のパラメータで、閉列評価の運転スコアは従来比4.73ポイント向上した。

フィンランド・アールト大学らの研究チームが、高次元データを使わずに視覚的位置推定を行う新手法「GeoMix」を発表した。精度を大幅に向上させつつ、場所情報のプライバシーを保護できる点が産業界で注目される。

英ブリストル大学などの研究チームが、一人称視点映像から手と物体の3D姿勢を同時推定するトランスフォーマーモデル「HOPformer」を発表。製造・医療・小売など現場作業の分析・自動化に直結する精度水準を達成した。

スマートフォンの異なる画角カメラ間で生じる非対称なぼけを自動補正する新手法が発表された。XRコンテンツ制作や製造現場の画像検査など幅広い産業での品質向上と工数削減が期待される。

米独欧の研究チームが、参照画像から人と物体の自然なインタラクション動作を自動生成するAIシステム「IMAGIN-4D」を発表した。キャラクター制作やロボット訓練の工数を大幅に削減できる可能性がある。