【論文紹介】CoCa: 画像とテキストの基盤モデルを一歩前進させるContrastive Captioners
論文名: CoCa: Contrastive Captioners a…
【論文紹介】InstructBLIP：指示チューニングで汎用Vision-Languageモデルを実現する新手法
本記事では、近年注目を集めるVision-Languageモデルの分野…
【論文紹介】画像とテキストの相互理解を深める「VisualBERT」とは？
本記事では、2019年にarXivで公開された論文「VISUAL BE…
【論文紹介】LLaVA-CoT：VLMがステップ・バイ・ステップで推論する新しいアプローチ
はじめに：VLMの「考える力」を高める 最近、大規模言語モデル（LLM…
【論文紹介】ALBEF: VisionとLanguageを融合する前に「Align」する新しい手法「Align before Fuse」
今回ご紹介するのは、Vision-Language Pre-train…
【論文紹介】Few-Shot学習で驚異的な性能を発揮するVisual Language Model「Flamingo」
大規模なAIモデルが次々と発表される中、DeepMindが発表した「F…
【論文紹介】BLIP-2：既存モデルを賢く活用！ 省コストで高性能なVision-Language Pre-training
Salesforce Researchが発表した論文「BLIP-2: …
【論文紹介】マルチモーダルLLM「LLaVA」、画像と対話するAIアシスタント
本論文は、大規模言語モデル（LLM）と画像認識モデルを組み合わせること…
視覚言語モデル（VLM）とは？ LLMに「目」が宿る次世代AIの仕組みと活用事例
ChatGPTの登場以来、AIは驚異的な進化を遂げてきましたが、今注目…
【論文紹介】NeRF: 新しい視点からの画像をリアルに生成する「Neural Radiance Fields」とは？
本記事では、3Dシーン表現と新規視点合成の分野に革新をもたらした画期的…