AI用語集
人工知能の完全辞典
テキストから画像への合成
GANや拡散モデルなどの生成モデルを使用して、テキスト記述から写真のようにリアルな画像やスタイル化された画像を生成する技術。これらのモデルはテキストの意味を理解し、一貫性のある詳細なビジュアルを作成する。
画像からテキストへの翻訳
ビジョン言語モデルを使用して、画像の視覚的コンテンツを記述的なテキスト説明に自動変換する技術。この技術は自動キャプション生成や視覚アクセシビリティなどのアプリケーションを支えている。
拡散モデル
高品質なサンプルを生成するために、データを段階的にノイズ除去することを学習する生成モデル。特にテキストからの画像合成に効果的。これらのモデルは生成のために順拡散と逆拡散のプロセスを使用する。
マルチモーダルトランスフォーマー
クロスモーダル注意メカニズムを通じて、複数のデータモダリティ（テキスト、画像、音声）を同時に処理するために適応されたトランスフォーマーアーキテクチャ。これらのモデルは異種データの表現と処理を統一する。
ビジョン言語モデル
視覚情報と言語情報を組み合わせたコンテンツを理解・生成するために設計されたAIモデル（ViT、BLIP、ALIGNなど）。大規模な画像-テキストコーパスでの事前学習を通じて共同表現を学習する。
マルチモーダル埋め込み
異なるモダリティ（テキスト、画像、音声）が数学的に比較・操作できる共有空間内のベクトル表現。これらの埋め込みは検索や類似性などのクロスモーダル意味操作を可能にする。
テキストからビデオへの生成
テキスト記述から一貫性のあるビデオシーケンスを生成する技術。空間的コンテンツと時間的ダイナミクスの両方をモデル化する。これらのモデルは自然言語理解とフレームごとのビデオ生成を組み合わせる。
画像キャプション生成
画像のコンテンツを記述するテキスト説明を自動生成する技術。コンピュータビジョンと自然言語処理を組み合わせる。現代のモデルはCNNやViTエンコーダーとトランスフォーマーデコーダーを使用する。
視覚的質問応答
画像の内容に関するテキスト質問に答えるシステムで、視覚と言語の統合的理解が必要。VQAは物体検出、空間推論、言語理解を組み合わせる。
マルチモーダル融合
異なるモダリティからの情報を統合し、各モダリティ単独よりも豊かな統一表現を作成する。戦略には早期融合、後期融合、注意ベース融合が含まれる。
ニューラルスタイル転送
画像の内容とスタイルを分離・再結合してデジタルアート作品を作成する深層学習技術。畳み込みニューラルネットワークを使用してスタイル特徴と内容特徴を捕捉する。
テキスト音声合成
TacotronやWaveNetなどの深層ニューラルネットワークを使用して、書かれたテキストを自然な人間の音声に変換。現代システムは中間スペクトログラム経由または直接波形を生成する。
音声テキスト変換
トランスフォーマーやコンフォーマーなどのエンドツーエンドモデルを使用して音声を書かれたテキストに自動変換。これらのシステムは音声信号を文字または単語シーケンスに変換する。
視聴覚学習
音声と映像情報を同時に組み合わせてマルチモーダルシーンの理解を向上させる機械学習。このアプローチは音と視覚的イベント間の自然な相関を活用する。
マルチモーダルアライメント
共通表現空間内で異なるモダリティ間の意味的対応を学習するプロセス。アライメントはクロスモーダル翻訳と検索タスクにおいて重要。