FocusDepth、領域指定の単眼深度推定を提案 FDE-Benchで検証

何が起きたか

2026年5月12日にarXivで公開された論文『Focusable Monocular Depth Estimation』において、領域指定の単眼深度推定タスクFDEと、そのためのフレームワークFocusDepthが発表された。FocusDepthは、ボックスやテキストのプロンプトで指定された領域の深度精度を優先的に高める。

詳細

FocusDepthは、Multi-Scale Spatial-Aligned Fusion (MSSA) という機構を中核とし、Segment Anything Model 3のマルチスケール特徴をDepth Anything系モデルに空間的に整列させ、スケール別のゲート付き条件付き融合で注入する。これにより、幾何学的表現を崩さずに高密度なプロンプト情報を注入できる。評価用にFDE-Benchが構築され、5つのデータセットから252.9K/72.5Kのtrain/valトリプレットと972カテゴリが用意された。実験では、ボックス・テキスト両プロンプトで、全体最適化されたDA2/DA3ベースラインを上回り、特に境界領域と前景領域で改善が大きい。アブレーションでは、MSSAの空間整列が重要で、プロンプトと幾何学の対応を崩すとAbsRelが最大13.8%悪化した。

Key Facts

本紙の見方

今回の提案は、単眼深度推定の分野で、従来の「全画素一律の損失最適化」から「ユーザー指定領域への焦点化」への転換を試みるものだ。Depth Anythingなどの基盤モデルは汎用性が高い一方で、特定の物体や領域の深度精度が要求されるタスク（例えば、ロボットの把持や自動運転での障害物検出）では、周囲の文脈に埋もれてしまう課題があった。FocusDepthは、Segment Anything Model 3という強力なセグメンテーションモデルの特徴を、Depth Anything系の特徴と空間的に整列させて注入することで、プロンプトで指定した領域の深度推定を優先的に改善する。このアプローチは、既存の基盤モデルを破壊的に変更するのではなく、追加の融合機構で拡張する点で、実用的な改良と言える。 本紙の過去報道との接続は、関連記事が提供されていないため直接の言及は避けるが、深度推定とセグメンテーションの統合は、近年のビジョン基盤モデルのトレンドの延長線上にある。特に、Segment Anything Model 3のような汎用セグメンテーションモデルを、他のタスクの特徴抽出器として利用する流れは、マルチモーダル融合の一形態として注目される。 業界構造への含意としては、この技術はロボティクスやAR/VR、自動運転など、特定領域の深度情報が重要な応用に効く可能性がある。特に、エンボディドAI（身体を持つAI）のシミュレーション環境を含むベンチマークを構築している点は、実世界での応用を意識した設計と言える。競合としては、Depth Anythingの改良版や、プロンプトベースの深度推定手法が考えられるが、FocusDepthはセグメンテーションモデルとの融合という点で差別化している。 未確定の論点としては、FDE-Benchの評価が相対深度に限定されていること、実世界の多様なシーンでの汎化性能、計算コスト、そしてプロンプトの種類（ボックス vs テキスト）による性能差の詳細などが挙げられる。また、MSSAの空間整列が重要な設計因子とされるが、その他の融合方法との比較や、より大規模な基盤モデルへの適用可能性も今後の検証が待たれる。

なぜ重要か

単眼深度推定は、ロボットや自動運転など物理AIの基盤技術の一つであり、領域指定の精度向上は実用上の大きな価値を持つ。FocusDepthは、既存の基盤モデルを拡張する形でこの課題に取り組み、ベンチマークで有効性を示した。今後の発展次第では、特定物体の深度推定が必要なアプリケーションの性能向上に寄与する可能性がある。