# 高解像度画像処理

Kimi-VL-A3B-Thinking-2506はKimi-VL-A3B-Thinkingのアップグレード版で、マルチモーダル推論、視覚認知と理解、ビデオシーン処理などの分野で著しい向上が見られ、より高解像度の画像をサポートし、より少ないトークンを消費しながらよりスマートな思考を実現します。

DeepEyesは、強化学習によって「画像を用いた思考」を促す視覚言語モデルで、視覚情報を直接推論チェーンに組み込むことができ、画像テキスト処理タスクで優れた性能を発揮します。

UniMEはマルチモーダル大規模モデルに基づく汎用埋め込み学習フレームワークで、テキスト識別知識蒸留とハードネガティブサンプル増強の指示チューニング戦略により、マルチモーダル埋め込み能力を大幅に向上させています。

20億パラメータの自己教師あり視覚Transformerモデル、厳選されたウェブ画像データでトレーニングされ、特に図表とテキスト理解能力を最適化

UniMEはマルチモーダル大規模モデルに基づく汎用埋め込み学習モデルで、336×336の画像解像度でトレーニングされ、MMEBランキングで1位を獲得しています。

知覚エンコーダーは、シンプルな視覚-言語学習でトレーニングされた最先端の画像およびビデオ理解エンコーダーで、さまざまな視覚タスクで最先端の性能を実現しています。

Swin Transformerアーキテクチャに基づくUPerNetセマンティックセグメンテーションモデル、高精度な画像分割タスクに適しています

Swin Transformer小型アーキテクチャをベースにしたUPerNetセマンティックセグメンテーションモデル、ADE20Kなどのシーン解析タスクに適しています

UPerNetはConvNeXt-Tinyアーキテクチャをベースにしたセマンティックセグメンテーションモデルで、画像分割タスクに適しています。

Vision Transformerアーキテクチャに基づく視覚モデルで、SigLIP（Sigmoid Loss for Language-Image Pretraining）訓練方法を採用し、画像理解タスクに適しています。

Metaが開発した大規模視覚エンコーダモデル。コントラスト事前学習と合成ビデオデータによる微調整を経て、様々な視覚タスクで最先端の性能を達成

サンゴ礁セマンティックセグメンテーションタスク向けに最適化されたSegFormerモデル、1024x1024解像度でCoralscapesデータセットをファインチューニング

これはSegFormerアーキテクチャに基づくセマンティックセグメンテーションモデルで、サンゴ礁生態系の画像セグメンテーションタスクに特化して最適化され、Coralscapesデータセットでファインチューニングされています。

AIM-v2は効率的な画像エンコーダーモデルで、timmフレームワークと互換性があり、コンピュータビジョンタスクに適しています。

EVA CLIPモデルはOpenCLIPとtimmモデルの重みに基づく視覚言語モデルで、ゼロショット画像分類などのタスクをサポートします。

DFN5B-CLIPの視覚エンコーダ部分、ViT-Hugeアーキテクチャに基づき、378x378解像度の画像で訓練されたCLIPモデル

SigLIP画像エンコーダーに基づく視覚モデルで、グローバル平均プーリングを備えており、PaliGemma2モデルの一部です

SigLIP画像エンコーダーに基づく視覚言語モデルで、グローバル平均プーリング処理を採用し、マルチモーダルタスクに適しています。

Segformerアーキテクチャに基づくセマンティックセグメンテーションモデルで、Cityscapesデータセット向けに最適化されています

Segformerアーキテクチャに基づく軽量セマンティックセグメンテーションモデル、Cityscapesデータセットで事前学習済み

Segformerアーキテクチャに基づくセマンティックセグメンテーションモデルで、Cityscapesデータセット向けに最適化されています

PyTorchベースのSegformerモデル、セマンティックセグメンテーションタスク用、ADE20Kデータセットで事前学習済み

mPLUG-Owl3は先進的なマルチモーダル大規模言語モデルで、長い画像シーケンスの理解問題に焦点を当て、超注意力メカニズムにより処理速度とシーケンス長のサポートを大幅に向上させます。

このモデルはopenai/clip-vit-large-patch14-336をファインチューニングしたバージョンで、主に画像-テキストマッチングタスクに使用されます。

BEiTアーキテクチャに基づくデンマーク菌類分類モデルで、菌類の種を識別・分類するために特別に設計されています。

Idefics2はオープンなマルチモーダルモデルで、任意のシーケンスの画像とテキスト入力を受け取り、テキスト出力を生成できます。このモデルは画像に関する質問に答えたり、視覚的コンテンツを説明したり、複数の画像に基づいてストーリーを作成したり、純粋な言語モデルとして使用したりできます。

LLaVA-JPは日本語をサポートするマルチモーダル視覚言語モデルで、入力画像に関する説明や対話を理解し生成できます。

InternViT-6B-448px-V1-5はInternViT-6B-448px-V1-2をファインチューニングした視覚基盤モデルで、強力なロバスト性、OCR能力、高解像度処理能力を備えています。

Idefics2はHugging Faceが開発したオープンソースのマルチモーダルモデルで、画像とテキスト入力を処理しテキスト出力を生成でき、OCR、ドキュメント理解、視覚的推論において優れた性能を発揮します。

ViTamin-XL-256pxはViTaminアーキテクチャに基づく視覚言語モデルで、効率的な視覚特徴抽出とマルチモーダルタスク向けに設計されており、高解像度画像処理をサポートします。

ViTamin-XL-384px はViTaminアーキテクチャに基づく大規模視覚言語モデルで、視覚言語タスク向けに設計されており、高解像度画像処理とマルチモーダル特徴抽出をサポートします。

SigLIPベースのビジョンモデルで、補間位置埋め込みにより最大解像度を980x980に向上させ、NaViT戦略による可変解像度とアスペクト比維持の画像処理を実現

ChatTruth-7BはQwen-VLアーキテクチャを最適化した多言語視覚-言語モデルで、高解像度画像処理能力を強化し、還元モジュールを導入して計算コストを削減

Stable Diffusion XL (SDXL)をベースに指令で微調整された画像編集モデルで、InstructPix2Pix手法を採用し、自然言語指令による画像編集をサポートします。

視覚Transformer（ViT）ベースの画像特徴モデル、自己教師ありDINOv2手法でLVD-142Mデータセット上で事前学習

Google Vision Transformer (ViT)アーキテクチャに基づく事前学習モデルで、EuroSatデータセットでファインチューニングされており、リモートセンシング画像分類タスクに適しています。

1024x1024解像度でCityScapesデータセットにファインチューニングされたSegFormerセマンティックセグメンテーションモデルで、階層型Transformerエンコーダと軽量な全MLPデコーダヘッドアーキテクチャを採用しています。

SegFormerはTransformerアーキテクチャに基づくセマンティックセグメンテーションモデルで、ADE20kデータセットでファインチューニングされており、画像分割タスクに適しています。