論文の概要: Vision-centric generative AI models: A software-hardware perspective

• arxiv url: http://arxiv.org/abs/2608.27199v1
• Date: Thu, 27 Aug 2026 14:41:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.450975
• Title: Vision-centric generative AI models: A software-hardware perspective
• Title（参考訳）: 視覚中心型生成AIモデル:ソフトウェア・ハードウェアの視点から
• Abstract要約: 視覚生成人工知能は、ディープラーニングの最も急速に進歩している分野の1つとして登場した。 我々は、視覚生成AIの進歩は出力品質によって推進されており、ハードウェアはモデル要求の増加に対応するために、反応的に進化していると論じている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision generative artificial intelligence (AI) has emerged as one of the most rapidly advancing areas of deep learning. The explosion of multimodal models has made them widely associated with text-to-image applications running on large datacentres. However, vision generative models are equally needed in applications that operate under strict hardware constraints at the edge, including autonomous vehicles, agricultural sensors, and mobile devices. In this Perspective, we argue that progress in vision generative AI has been driven by output quality, with hardware evolving reactively to accommodate growing model demands. We quantify the parameter cost and energy efficiency of these models across a range of accelerator platforms, and map four generative model families against seven real-world application domains. Finally, we advocate a software-hardware co-design approach, where deployment constraints are considered from the start of the design process, ensuring that the "right model" runs on the "right hardware" to serve the "right application", making generative AI deployment sustainable and accessible across a much broader range of platforms.
• Abstract（参考訳）: 視覚生成人工知能(AI)は、ディープラーニングの最も急速に進歩している分野の1つである。 マルチモーダルモデルの爆発により、大規模なデータ中心で動作するテキスト・ツー・イメージアプリケーションと広く関連付けられている。 しかし、視覚生成モデルは、自動運転車、農業センサ、モバイルデバイスなど、エッジで厳格なハードウェア制約の下で動作するアプリケーションでも同様に必要である。 このパースペクティブでは、視覚生成AIの進歩は、モデル要求の増大に対応するために、ハードウェアが反応的に進化して出力品質によって引き起こされていると論じる。 我々は,これらのモデルのパラメータコストとエネルギー効率を,様々なアクセラレータプラットフォームで定量化し,実世界の7つのアプリケーションドメインに対して4つの生成モデルファミリをマッピングする。 最後に、私たちは、デプロイメントの制約を設計プロセスの開始から考慮し、"右モデル"が"右ハードウェア"上で動作することを保証し、"右アプリケーション"に役立ち、生成可能なAIデプロイメントを持続可能なものにし、より広い範囲のプラットフォームでアクセスできるようにする、ソフトウェア-ハードウェアの共同設計アプローチを提唱します。

関連論文リスト

• A Survey on the Green Development of Large Models: From Resource-Efficient Architectures to Hardware-Software Co-Design [71.32556809242666]
  大規模AIモデルの急速な拡張は、さまざまな領域で大幅なパフォーマンスのブレークスルーをもたらした。 また、計算コスト、エネルギー消費、環境の持続可能性に関する重要な懸念を提起している。 この調査は、大規模モデルの持続的、スケーラブルで、社会的に責任のある開発に向けて、全体的なロードマップを提供することを目的としている。
  論文  参考訳（メタデータ） (2026-07-10T04:02:22Z)
• AI Flow: Perspectives, Scenarios, and Approaches [51.38621621775711]
  私たちは最先端のITとCTの進歩を統合するフレームワークであるAI Flowを紹介します。 まず、デバイスエッジクラウドフレームワークは、エンドデバイス、エッジサーバ、クラウドクラスタを統合する基盤として機能する。 第2に,家族モデルの概念を導入し,同列に隠れた特徴を持つ様々なサイズのモデルに言及する。 第3に、コネクティビティとインタラクションに基づくインテリジェンスの出現は、AI Flowの新たなパラダイムである。
  論文  参考訳（メタデータ） (2025-06-14T12:43:07Z)
• Generative AI for Autonomous Driving: Frontiers and Opportunities [145.6465312554513]
  この調査は、自律運転スタックにおけるGenAIの役割の包括的合成を提供する。 まず、VAE、GAN、拡散モデル、および大規模言語モデルを含む、現代の生成モデリングの原則とトレードオフを蒸留することから始めます。 我々は、合成データ一般化、エンドツーエンド駆動戦略、高忠実なデジタルツインシステム、スマートトランスポートネットワーク、具体化されたAIへのクロスドメイン転送など、実用的な応用を分類する。
  論文  参考訳（メタデータ） (2025-05-13T17:59:20Z)
• Empowering Edge Intelligence: A Comprehensive Survey on On-Device AI Models [16.16798813072285]
  人工知能(AI)技術の急速な進歩により、エッジと端末デバイスへのAIモデルの展開が増加している。 この調査は、オンデバイスAIモデルの現状、技術的な課題、今後のトレンドを包括的に調査する。
  論文  参考訳（メタデータ） (2025-03-08T02:59:51Z)
• Generative AI for Vision: A Comprehensive Study of Frameworks and Applications [0.0]
  生成AIは画像合成を変換し、高品質で多様性があり、フォトリアリスティックなビジュアルを作成することができる。 本研究は,入力の性質に基づく画像生成技術の構造的分類を提案する。 DALL-E、ControlNet、DeepSeek Janus-Proといった主要なフレームワークを強調し、計算コスト、データバイアス、ユーザ意図とのアウトプットアライメントといった課題に対処します。
  論文  参考訳（メタデータ） (2025-01-29T22:42:05Z)
• Exploring the Interplay Between Video Generation and World Models in Autonomous Driving: A Survey [61.39993881402787]
  世界モデルとビデオ生成は、自動運転の領域において重要な技術である。 本稿では,この2つの技術の関係について検討する。 映像生成モデルと世界モデルとの相互作用を分析することにより,重要な課題と今後の研究方向性を明らかにする。
  論文  参考訳（メタデータ） (2024-11-05T08:58:35Z)
• Benchmarking Deep Learning Models on NVIDIA Jetson Nano for Real-Time Systems: An Empirical Investigation [2.3636539018632616]
  この研究は、複雑なディープラーニングモデルの最適化を実証的に研究し、組み込みデバイス上で機能を分析する。 画像分類と映像行動検出のための推論速度の観点から最適化されたモデルの有効性を評価する。
  論文  参考訳（メタデータ） (2024-06-25T17:34:52Z)
• On the Challenges and Opportunities in Generative AI [155.030542942979]
  私たちは、現在の大規模な生成AIモデルは、ドメイン間で広く採用されるのを妨げるいくつかの根本的な欠点を示しています。 我々は、研究者に実りある研究の方向性を探るための洞察を提供することを目標とし、より堅牢でアクセスしやすい生成AIソリューションの開発を促進する。
  論文  参考訳（メタデータ） (2024-02-28T15:19:33Z)
• Forging Vision Foundation Models for Autonomous Driving: Challenges, Methodologies, and Opportunities [59.02391344178202]
  ビジョンファウンデーションモデル(VFM)は、幅広いAIアプリケーションのための強力なビルディングブロックとして機能する。 総合的なトレーニングデータの不足、マルチセンサー統合の必要性、多様なタスク固有のアーキテクチャは、VFMの開発に重大な障害をもたらす。 本稿では、自動運転に特化したVFMを鍛造する上で重要な課題について述べるとともに、今後の方向性を概説する。
  論文  参考訳（メタデータ） (2024-01-16T01:57:24Z)
• UnifiedVisionGPT: Streamlining Vision-Oriented AI through Generalized Multimodal Framework [51.01581167257862]
  UnifiedVisionGPTは、SOTAビジョンモデルの統合と自動化を目的とした新しいフレームワークである。 本稿では,UnifiedVisionGPTのアーキテクチャと機能について概説し,コンピュータビジョンの分野に革命をもたらす可能性を示す。
  論文  参考訳（メタデータ） (2023-11-16T13:01:25Z)
• How to Reach Real-Time AI on Consumer Devices? Solutions for Programmable and Custom Architectures [7.085772863979686]
  ディープニューラルネットワーク(DNN)は、オブジェクトや音声認識など、さまざまな人工知能(AI)推論タスクにおいて大きな進歩をもたらした。 このようなAIモデルをコモディティデバイスにデプロイすることは、大きな課題に直面している。 クロススタック手法によりリアルタイムな性能を実現する手法を提案する。
  論文  参考訳（メタデータ） (2021-06-21T11:23:12Z)
• AI Online Filters to Real World Image Recognition [4.874719076317905]
  本研究では,画像認識反射モデルに強化制御を加え,全体的な性能を向上させるための新しい手法について検討する。 環境検知とAIに基づく自己適応エージェントのモデリングを併用した共通インフラストラクチャに従って、我々は複数のタイプのAI制御エージェントを実装している。
  論文  参考訳（メタデータ） (2020-02-11T08:23:14Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。