AIヘアスタイル試着の裏側：顔検出からヘア転送までの仕組み
はじめに 写真をアップロードするだけでAIが髪型を変えてくれるツールが増えている。エンジニア目線でどう実装されているのか気になったので、公開情報を元にパイプラインを整理してみた。 入力画像（顔写真） ↓ 顔検出・ランドマーク取得（MediaPipe / dlib） ↓ 顔形状の分類（6タイプに判定） ↓ 髪領域のセグメンテーション ↓ 拡散モデルによる髪型生成・スタイル変換 ↓ 元画像とのブレンド・合成 顔ランドマーク検出 髪型を変えるには、まず「顔のどこに何があるか」を特定する必要がある。これが顔ランドマーク検出だ。 よく使われるのはGoogleの...
出典: Zenn AI（配信元の紹介文より引用）
このニュースの全文は、配信元でお読みいただけます。 Zenn AIで元記事を読む →
編集部の実践記録から
AIの利用は曜日でどう変わるのか？平日35%・週末50%弱という個人利用比率と、利用者86%が答えた「速くなった」の中身
Anthropicが2026年6月に公開した経済指標レポートから、AI利用の曜日・季節変動と利用者9,700人の自己申告効果を読み解きます。平日と週末で個人利用比率が約15ポイント動き、確定申告直前には税務用途が8倍に。ただし回答者はClaude利用者に偏り、一般労働者の実態ではありません。
続きを読む →
AIに答えさせず問い返させると、成果は変わるのか（対照群比+0.258標準偏差、n=1,763・8週間）
Google DeepMindがシエラレオネの中等学校12校・生徒1,763人・8週間の事前登録済みRCTで、AIに直接解答をさせず問い返させる「ガイド付き学習」を検証。数学スコアは対照群比+0.258標準偏差。ただし発信元は製品提供者本人であり、学力層による効果の偏りも自ら認めている。読み方を整理する。
続きを読む →
AIは「人間なら数週間」の開発をどこまで完遂できるのか ― 1.7万行の再実装はテスト2,000/2,001件、6.1万行は35%止まり
Epoch AIの暫定結果によると、熟練エンジニアで2〜17週と見積もられた約16,905行のツールキット再実装を最新モデルがE2Eテスト2,000/2,001件（99.95%）で完遂した一方、約61,461行の課題は10億トークンの約9割を使って可視テスト256/733件（35%）で未解決でした。規模と費用の境界線を読み解きます。
続きを読む →