ビジョン基盤モデルが3次元ユークリッド空間の本質的な性質を反映した表現を構築しているのかという根本的な問いを扱う研究が報告されました。従来の研究では、深度推定や法線推定などの画像中心的な量を回帰することで、ビジョン機能の3次元認識能力を調査していました。しかし本研究は、より根本的なアプローチを取り、視覚特徴空間の構造とユークリッド変換のグループSE(3)との関係性を直接的に調査しています。 研究チームは、位相的および幾何学的な両観点から この関係性を評価するための新しい探査手法を提案しています。相互近傍メトリックと呼ばれる指標で、特徴量の近傍と空間トポロジーの整列を測定し、またポアンカレアダプタという手法を用いて、静的シーンの潜在空間変位からカメラ運動の幾何学的性質へのアクセス可能性をテストしています。 興味深いことに、自己教師あり学習で訓練されたビジョンモデルは、原則として直接的な3次元教師信号や能動的な作用なしで学習されたにもかかわらず、適切にプローブされると、3次元ユークリッド空間と驚くほど強く相関する潜在部分空間を保有していることが判明しました。この知見に基づいて、研究者らは「潜在空間ナビゲーション」と呼ぶ新しい技術クラスを提案しており、これは明示的な3次元再構成を必要とせず、純粋に潜在空間内でビジュアルオドメトリーと位置認識を実行します。