Vision Banana From Google DeepMind

概要

Vision BananaはGoogle DeepMindの新しい視覚モデルで、2D/3Dのタスクを画像生成として扱い統合モデルを実現します。出力はRGB画像として表現され、テキストプロンプトで操作します。

• 2D/3D両対応
• ゼロショット性能が高い
• タスク固有のヘッドや複雑な訓練は不要

メリット

従来のタスク別モデルを使わず、画像生成を共通インターフェースとして活用することで、視覚タスクの基盤が拡張されます。画像生成がCVの普遍的なインターフェースになる可能性を示唆します。