より良いスロットはより良い世界を生む：オブジェクト中心世界モデルにおける表現品質とロバスト性

本論文は、オブジェクト中心世界モデル（OCWM）を視覚的モデル予測制御（MPC）に適用する際の、表現品質と分布シフト下でのロバスト性を体系的に調査した研究である。オフライン軌跡から学習した世界モデルを用いて、異なるタスクを計画によって達成することを目指す。OCWMはシーンをオブジェクトにバインドするスロット集合に分解するが、従来研究ではスロットエンコーダを所与とし、分布内評価のみ行っていた。本研究では、オブジェクト中心表現の品質と、シーン中心モデルとの比較における分布シフト下での一般化に焦点を当て、制御された実験を行う。

先行研究のOCWMはスロットエンコーダを固定し、分布内でのみ評価しており、オブジェクト中心バイアスが実際に計画に寄与するか、OCWM内のどの要素がそれを駆動するかは未解明だった。本研究は、表現品質（FG-ARI, mBO）と計画成功率の相関を初めて定量的に示し、さらに分布シフト下でのロバスト性をシーン中心モデル（LeWM）や事前学習特徴量を用いるDINO-WMと比較することで、OCWMの利点と限界を明確にした点が新しい。

手法の肝は、オブジェクト中心表現の品質を制御するための実験設計にある。具体的には、スロット品質を変えるために異なるエンコーダや学習設定を用い、FG-ARIやmBOなどの教師なしスロット品質指標を測定する。また、補助の proprioception 入力やマスキング帰納バイアスの有無を系統的に変化させ、それらが計画性能に与える影響を評価する。さらに、分布シフトを導入するために、未見の環境変化（例：色、テクスチャ、視点の変更）を適用し、OCWMとシーン中心モデル（LeWM）、および事前学習特徴量を用いるDINO-WMを比較する。

有効性の検証は、視覚的MPCタスク（例：ロボット操作）において、計画成功率を主要な指標として評価した。具体的には、(i) スロット品質指標（FG-ARI, mBO）と計画成功率の正の相関を確認し、高品質で飽和することを示した。(ii) 良くバインドされたスロットを持つOCWMでは、補助の proprioception 入力やマスキング帰納バイアスが不要になることを実験で示した。(iii) 未見の分布シフト下で、OCWMがシーン中心のLeWMよりも全体的にロバストであること、DINO-WMが競争的であることを示した。

議論として、スロット品質が高い場合に計画成功率が飽和することから、表現品質の向上が常に計画性能に直結するわけではないことが示唆される。また、事前学習特徴量（DINO）がロバスト性に大きく寄与することが示され、OCWMの利点が表現のオブジェクト中心性によるものか、事前学習特徴量によるものかを区別する必要性が議論される。さらに、分布シフトの種類によってはOCWMが劣る場合がある可能性も考えられるが、要旨からは詳細は不明。

次に読むべき論文は、要旨で比較されているDINO-WM（事前学習特徴量を用いた世界モデル）や、シーン中心モデルのLeWM、またオブジェクト中心表現の品質指標であるFG-ARIやmBOを導入した研究（例：Slot AttentionやObject-Centric Learningの基礎論文）が挙げられる。具体的には、DINO-WMの原著論文、LeWMの原著論文、およびオブジェクト中心表現の品質評価に関する論文が関連する。