--- title: 生成AIの基盤モデルとしてのCVPR 2026とJust image Transformers tags: #コンピュータビジョン #生成ai #text-to-image #拡散モデル #aiアート author: [あるふ](https://image.docswell.com/user/alfredplpl) site: [Docswell](https://www.docswell.com/) thumbnail: https://bcdn.docswell.com/page/L7LMR8LXJR.jpg?width=480 description: 第67回 コンピュータビジョン勉強会＠関東（前編）で発表する内容です。 お題は、Back to Basics: Let Denoising Generative Models Denoiseです。 published: July 18, 26 canonical: https://image.docswell.com/s/alfredplpl/Z8N989-2026-07-18-082234 --- # Page. 1 ![Page Image](https://bcdn.docswell.com/page/L7LMR8LXJR.jpg) 関東CV勉強会 / CVPR2026読み会 生成AIの基盤モデルとしての CVPR 2026と Just Image Transformers 自己紹介 全体傾向 JiTの主張 CVPR全体の雰囲気、Back to Basics / Just image Transformers の主張 CVPR overview + JiT deep dive 尾崎安範 2026-07 # Page. 2 ![Page Image](https://bcdn.docswell.com/page/4EMYR6M3EW.jpg) Short rest 発表時間があまるので、 大切なお知らせをします。 Paper: Back to Basics: Let Denoising Generative Models Denoise / JiT, CVPR 2026 # Page. 3 ![Page Image](https://bcdn.docswell.com/page/PER9RPVRJ9.jpg) Short rest 【ご報告】無職なう お仕事募集中！ Paper: Back to Basics: Let Denoising Generative Models Denoise / JiT, CVPR 2026 # Page. 4 ![Page Image](https://bcdn.docswell.com/page/P7XQR3ZYEX.jpg) Self Introduction 【ご報告】無職なう お仕事募集中！ 尾崎安範 （あるふ） Yasunori Ozaki (alfredplpl) 研究開発 アニメ生成基盤モデル: AnimeGen-T2Vなど 0から作った基盤モデル: CommonArtなど LLMを含めた生成AIの設計から製品まで 理由保存（なぜ？を研究する） Source: alfredplpl.github.io/research.html AnimeGenで「桜並木を歩く少女」を生成した例 02 # Page. 5 ![Page Image](https://bcdn.docswell.com/page/37K9RY847D.jpg) 【ご報告】無職なう お仕事募集中！ Self Introduction 0から作った基盤モデルたちの紹介 画像生成 Source: alfredplpl.github.io/research.html 動画生成 音生成 02 # Page. 6 ![Page Image](https://bcdn.docswell.com/page/LJ3W892DJ5.jpg) Short rest 閑話休題。CVPR本編へ Paper: Back to Basics: Let Denoising Generative Models Denoise / JiT, CVPR 2026 # Page. 7 ![Page Image](https://bcdn.docswell.com/page/8JDKMGZ2EG.jpg) OVERVIEW まず、CVPR 2026のタイトルを眺めてみよう Source: CVPR2026 O penAccess titles; local title frequency script 03 # Page. 8 ![Page Image](https://bcdn.docswell.com/page/VEPKR3DL78.jpg) OVERVIEW CVPR 2026は生成AIの基盤モデル関連がおおそう CVPR 2026 OpenAccessの全タイトルを集計した結果が以下の通り 1 3D / video 2 生成・拡散 3 言語・推論 3D: 480 generation: 318 multimodal: 284 video: 378 diffusion: 232 vision-language: 236 motion / dynamicも上位 training: 173 reasoning: 230 今日のゴール: 生成・拡散の例として Just Image Transformersを 生成AIの基盤モデル設計として読む Source: CVPR2026 O penAccess titles; local title frequency script 03 # Page. 9 ![Page Image](https://bcdn.docswell.com/page/27VVR4167Q.jpg) Paper Introduction Back to Basics: Let Denoising Generative Models Denoise Tianhong Li1, Kaiming He1 1MIT Paper: Back to Basics: Let Denoising Generative Models Denoise / JiT, CVPR 2026 # Page. 10 ![Page Image](https://bcdn.docswell.com/page/5JGLM1227L.jpg) Important Assumption 論文の重要な前提として、多様体仮説がある。 画像生成における多様体 (image manifold) 仮説とは、 「自然画像はピクセル空間全体にばらばらに存在するのではなく、 意味のある画像だけが低次元の“なめらかな構造”の上に分布している」 という仮説 画像生成において、 なぜか多様体を直接予測するのではなく、 ノイズ予測（ε-pred）や速度予測（v-pred）するのが 実験的に良いとDDPMとか言っている Paper: Back to Basics: Let Denoising Generative Models Denoise / JiT, CVPR 2026 # Page. 11 ![Page Image](https://bcdn.docswell.com/page/47QYRDP9EP.jpg) JiT Short Claim Back to Basicsの主張とは 尾崎が超訳すると 「画像生成モデルは素直に画像生成しろ」 ということである。 Paper: Back to Basics: Let Denoising Generative Models Denoise / JiT, CVPR 2026 # Page. 12 ![Page Image](https://bcdn.docswell.com/page/KE4W8ZXRJ1.jpg) JIT DESIGN 素直に実装したJust image Transformerの仕組み ざっくりとした画像生成の流れ １．ノイズがのった画像をパッチ分割する ２．パッチ分割された画像を Transformerでノイズ除去する ３．ノイズ除去したパッチをくっつける VAEとかややこしいのは一切使わない！ ※ 厳密に言うとやや違う （これはv-lossでx-predしてるため。論文読んでね。） Paper: Back to Basics: Let Denoising Generative Models Denoise / JiT 09 # Page. 13 ![Page Image](https://bcdn.docswell.com/page/L71Y2RNVJG.jpg) JIT EVIDENCE 実験結果を見ると、実は素直に実装しただけでも強いとわかる Paper: Back to Basics: Let Denoising Generative Models Denoise / JiT 10 # Page. 14 ![Page Image](https://bcdn.docswell.com/page/G7WGR143E2.jpg) JiT Novelty したがって、JiTの新規性とは、 「素直に実装した画像生成は 有効であることを実験で示した。 なぜなら多様体仮説があるから」 ということなのである Paper: Back to Basics: Let Denoising Generative Models Denoise / JiT, CVPR 2026 # Page. 15 ![Page Image](https://bcdn.docswell.com/page/4JZLRP2GE3.jpg) GOAL 今日のゴール: 生成AIの基盤モデル設計 生成AIの基盤モデルそのものは素直に作れ • JiTは素直な仮説で素直に作った • Back to Basics: 基本にもどれ • 結局、モデルはスケーリングすればよい • The Bitter Lessons: 苦い教訓 • 素直な仮定と素直な手法が一番 • それがだめなときに、複雑な手法 Paper: Back to Basics: Let Denoising Generative Models Denoise / JiT 09