【5月FANZA同人配信決定！】 野上のいこ×画像生成AI作品集をリリース…！！ 野上のいこを完全再現？！な過激すぎるえちえち画像集がFanza同人にて配信されます(´∩ω∩`*)💕 のいこのあんな妄想やこんな願望…(？！)を生成AI画像で実現しちゃいました！！！ 乞うご期待です✨️

8月23日 【経済本ランキング 第5位❗】 これ読むだけで完結。生成AIマネタイズ30日ロードマップ: 超初心者がスマホだけで、はじめての0→1まで。ChatGPT／Gemini／Claude／画像生成／ #Amazon# #人気#

【ChatGPT-Image2.5でリアルなスマホスナップを作るプロンプト術】 👉 夜のジャカルタの路上で撮ったような、あえて手ブレやノイズ、ゴーストをしっかり入れた「生々しいスマホ写真」を再現できる英語プロンプトが公開されていました！✨ 美しすぎるスタジオ照明やCGIっぽさ、作られたような美肌やポーズをネガティブプロンプトで徹底的に排除することで、意図的な「不完全さ」を作り出すテクニックなんです📸 広告やSNS運用で「AI感」を完全に消して、本物のようなオーセンティックなビジュアルをすぐ作たいクリエイターさんにはめちゃくちゃ刺さるノウハウですね！💡 #ChatGPT# #画像生成AI#

NovelAI V5で漫画の「台詞」と「効果音」を描き分ける方法をまとめました。 吹き出しの台詞とシーン内の効果音をかなり明確に分離できました。 コマ割り、読み順、実際の生成結果とあわせて解説しています。 #NovelAI# #NovelAIV5# #AI漫画# #漫画制作# #画像生成AI# @itsuki_ailab

TL;DR コードを書いて画像や動画を生成するAIは、コードの実行が成功しても見た目の要求を満たしているかは別問題です。この「プログラムと視覚のギャップ」を測る評価手法が提案されました。 タイトル: MaLiang-Harness: A Programmable Path to Image and Video Generation URL: ポイント 🖼️ 状態を保持しながら生成物を検査・修正するステートフルなフレームワーク 🔧 コードの変更と映像の結果を対応づける追跡可能な生成プロセスを導入 🎨 Canvas・SVG・Three.jsなど複数バックエンドを共通プロトコルで統一 📊 画像生成50タスクでGPT-6-Astraが成功率100%・品質基準クリア96.0% 🎬 動画生成13タスクでもGPT-6-Astraが成功率100%・品質基準クリア76.9% ⚠️ DeepSeek系は画像で12〜40%、動画では0%と大きく苦戦 🔍 汎用能力スコアが同じ2モデルでも描画品質の合格率は44%対88%と激しく食い違う 汎用ベンチマークのスコアだけではモデルの実力を測れない、という指摘が特に刺さります。 #マルチモーダルAI# #画像生成#

＼📢明日のお知らせ🐰／ ⏰朝８時から２時間生放送☀️ 堺雅人が初登場💫 VIVANTスペシャル企画🚨 生放送中に起こる 異変を見抜けるか🤔 難問BEPPANクイズ‼️ 分かればスッキリ✨ 生成AI画像Quiz👑 ドラムは回答できるのか⁉️ 出演者🍭 堺雅人 ドラム コットン ラパルフェ #ラヴィット#

みなさん、こんばんは🌙 今日は七夕だね🎋✨ 夜空を見上げて、素敵な願い事はできたかな🌸 みんなの願いが星に届きますように😊💫 good night... #DaysAI# #AI生成画像# #AIart# #織姫# #七夕# SFW anime-style

🎨 「見る」と「創る」を同じモデルの中で育て合わせる、統合視覚AIの新作が登場しました。 タイトル: SenseNova-U1.5: Towards Native Unified Visual Intelligence URL: 🧩 概要 OpenSenseNovaが開発した8B規模のMixture-of-Transformersモデルで、外部の視覚エンコーダやVAEを一切使わず、生のピクセルを直接扱いながら画像理解・推論・生成・編集を1つのモデルでこなします。 ⚙️ 解決する課題 従来の統合モデルは理解系と生成系で別々の潜在空間を経由することが多く、整合性のロスが生じがちでした。理解と生成を共有表現の上で本当に一体化させることを目指しています。 🛠 方法論と提案手法 視覚トークンを2次元特徴フィールドに投影し、隣接する32×32領域間で情報をやり取りしながら再構成する空間デコーダを採用。さらに美的品質・OCR・編集・インフォグラフィックの4専門家をRLで個別に鍛えた後、On-Policy Distillationで1つのモデルへ統合します。 📊 実験結果 GenEval総合0.92、画像編集ベンチマークImgEditで4.59（前作U1は3.90）、ビジネス文書生成BizGenEvalでは前作51.4%から72.2%へ大幅向上と、理解・生成・編集の全方位で前作や競合を上回りました。 #統合マルチモーダルAI# #画像生成#

動画生成モデルで4D世界を作るとき、わざわざRGBに戻す必要はなかった——潜在空間から直接4Dへ変換する新手法が登場しました。 Beyond Pixels: From Video Priors to 4D Worlds 🔍 概要 従来の「動画生成→RGB→4D再構成」という3段階カスケードは、RGB変換でVAE潜在空間の幾何学情報を失い、アーティファクトを増幅させる構造的な問題を抱えていました。本研究は動画VAEの最終デノイズ済み潜在を直接4Dデコーダーに接続する「latent-to-4D生成」を提案します。 🛠 解決する課題 ・RGBデコード時に幾何学情報が劣化する ・ジェネレーター固有ノイズがRGB経由で4D再構成に伝播する ・ジェネレーターが変わるたびに4Dモジュールを再学習する必要がある これらすべてを、VAE潜在空間を直接インターフェースにすることで回避します。 ⚙ 方法論と提案手法 3つのコンポーネントで構成されます。 ・アライメントモジュール（𝒜ϕ）：三線形リサンプリングと3D畳み込みで潜在を4Dデコーダーのトークン空間に変換 ・L4ARアテンション：フレームワイズ空間整合 + グローバル時間アテンションの階層的組み合わせ ・4Dデコーダー：カメラパラメータ（9D）と密な世界座標系ポイントマップを同時予測 学習対象はこの3コンポーネントのみ（rank-16 LoRA含む）。VAEやTransformer本体は凍結し、約1,000クリップで学習します。 📊 実験結果 DINO-F1スコア（テキスト→4D）：57.01〜57.09（本手法）対 53.27〜54.21（カスケードベースライン）。画像→4Dでは61.60対55.79で5.81ポイント改善。人間評価でも幾何学・完全性で66.8〜72.1%の好みを得ています。頑健性テストでは汚染レベルρ=0.6時のドリフトが0.0053（ベースライン比71倍の安定性）を記録しました。 🌐 汎用性 14Bと1.3Bの2サイズのWan T2VモデルおよびWan I2Vモデルで、単一チェックポイントが変更なしに動作。モーション・外観・カメラ制御もそのまま引き継がれます。 #4D生成# #動画AI#

# ADK 2.0の便利だけど知られていない機能 🌍 AIエージェントが画像やPDFなどのバイナリデータを扱う際、ファイル管理が煩雑になっていませんか？ ADK 2.0のアーティファクト管理は、エージェントが生成・利用するバイナリデータ（画像、PDF、音声など）をファイル名で識別し、自動バージョニングで管理する仕組みです。 📌 タイトル：アーティファクト管理 🔗 URL： 🧩 概要 アーティファクトは、エージェントのセッション内で生成・保存されるバイナリデータを統一的に管理する機能です。`google.genai.types.Part`のinline_data（データバイト列 + MIMEタイプ）として表現され、ファイル名で識別されます。保存のたびに自動的にバージョン（0, 1, 2...）が付与され、変更履歴を追跡できます。スコープはセッション単位（デフォルト）またはユーザー単位（`user:`プレフィックス）を選択可能です。 🛠 使い方 `context`オブジェクトを通じて、アーティファクトの保存・読込・一覧を操作します。 ```python from google.genai import types # アーティファクトの保存 image_part = types.Part(inline_data=types.Blob( data=image_bytes, mime_type="image/png" )) version = "report_chart.png", image_part) # アーティファクトの読込 artifact = context.load_artifact("report_chart.png") # アーティファクト一覧の取得 artifact_names = context.list_artifacts() ``` 開発時は`InMemoryArtifactService`、本番環境では`GcsArtifactService`を使い分けることで、環境に応じた柔軟な運用が可能です。 🏗 本番システムへの組み込み方 ・本番環境では`GcsArtifactService`を使用し、永続的なストレージを確保する ・ユーザー横断で共有すべきデータには`user:`プレフィックスでユーザースコープを活用する ・バージョニングを活かして、生成物の変更履歴やロールバックの仕組みを構築する ・MIMEタイプを正しく設定し、ダウンストリームでの処理互換性を保つ 💡 ユースケース 🖼️ エージェントが生成したグラフや図表の保存と再利用 📄 PDF レポートの生成・バージョン管理 🎵 音声合成結果の保存と後続処理への受け渡し 👤 ユーザーごとのプロファイル画像やドキュメントの管理 ⚠️ 注意点 `InMemoryArtifactService`はプロセス終了時にデータが消失するため、開発・テスト用途に限定してください。大容量のバイナリデータを大量に保存する場合は、GCSのストレージコストとクォータに注意が必要です。また、セッションスコープのアーティファクトはセッション終了後にアクセスできなくなるため、永続化が必要なデータにはユーザースコープを使用してください。 ✨ アーティファクト管理を活用すれば、バイナリデータの取り扱いがシンプルになり、エージェントのマルチモーダル対応が格段に容易になります。 #ADK# #AIAgent#