コンピュータビジョン注目
すべての人に一次情報を
研究の要旨 マルチモーダル大型言語モデル（MLLMs）は、画像と言語を組み合わせて処理できるため、画像理解の助けになる一方で、「言語による先入観（language priors）」が視覚的な証拠を上書きしてしまい、正しい視覚判断を妨げることがある――そんな問題を扱った研究が発表さ
要点：オックスフォード大学の研究チーム（James Willoughby、Irina Voiculescu）は、網膜血管の形状・接続（トポロジー）を人手ラベルなしで復元するパイプライン「FPG‑Seg」を発表しました（arXiv:2610.22259v1、2026年10月）。従来
ビデオゲームは視覚情報が豊富で操作の仕組みも多様なため、スクリーンを解釈してマウスやキーボードを制御するエージェントにとって厳しい試験場です。最近の研究は大量の行動デモに依存することが多く、動的なゲーム内状態を十分に網羅するのが難しいという課題がありました。arXivに投稿された
要旨 脳の磁気共鳴画像（MRI）から学習された「埋め込み（embedding）」を公開すれば生データ（元のスキャン）を出さずに安全に共有できるのか――という疑問を、arXivに投稿された論文「Quantifying privacy risks in foundation mode
研究概要 新しい論文「Dream to Remember（D2R）」は、既存の汎用ロボット方策（generalist policy）を凍結したまま、新しい課題を追加学習しつつも過去に獲得した技能を失わない方法を示しています。一般に模倣学習で得られた方策は、示範の質と幅に依存します
新しいベンチマーク研究が、視覚と言語を結びつける最新のモデル（VLM: vision-language models）が「欠けているもの」をどれだけ推定できるかを検証しました。arXiv に掲載された論文「OccludeBench: Can VLMs Find What's Mi
個人の顔動画が少数あれば、その人の“顔”を再現した合成映像が簡単に作れる時代になり、アイデンティティのプライバシー保護は喫緊の課題となっています。そんな中、ECCV 2026 の LifeGenIP チャレンジ（Unlearnable Videos 部門）で最優勝を果たした新たな
研究の要点 新しい研究プレプリント「READ: Reading the Selective Scan for Faithful Video Attribution」では、長い動画列を効率的に扱うセレクティブ状態空間モデル（selective state-space models,
乳がんのスクリーニングで問題となる「見落とし（偽陰性）」を減らすため、異常領域を「消して」健康な乳腺像を合成するデータ拡張法を提案した研究がarXivに報告されました（arXiv:2610.12147v1）。著者らは、実際の異常画像から病変部分を置き換えるかたちで“反事実（cou
概要 2026年発表のプレプリント（arXiv:2610.12310v1）は、工業用の細粒度な異常理解（検出・位置特定・記述・推論を含む）に対して、単一のマルチモーダル大規模言語モデル（MLLM）をドメイン内データで訓練するだけでは十分でないことを報告しています。著者らは、MM-