長距離単写式フリンジ投影プロフィロメトリにおける形状事前情報によるショートカットの診断と修復

皆さんは、スマートフォンの顔認証や、工場で製品の形を測る技術に「フリンジ投影」という方法が使われているのをご存知でしょうか？これは、縞模様（フリンジ）の光を物体に当てて、その歪み方から物体の立体的な形を測る技術です。通常は複数の画像を撮って正確な形を測りますが、最近では1枚の画像だけで形を測る「単写式」の研究が進んでいます。

この単写式フリンジ投影プロフィロメトリ（FPP）は、これまでは主にスマートフォンで顔を認識するような「近い距離」での利用が中心でした。しかし、今回の論文は、1メートルを超えるような「遠い距離」でもこの技術を使えるようにするための研究です。なぜ遠距離が難しかったかというと、光は遠くに行くほど弱くなるため、縞模様がぼやけてしまい、正確な形を測るのが非常に難しかったのです。例えるなら、遠くのものを暗い場所で写真に撮ろうとすると、何が写っているか分かりにくくなるのと同じです。

さらに、単写式では1枚の画像しか使わないため、縞模様の「何番目の縞か」という情報が不足しがちです。これが、AIに形を学習させようとしても、正確な情報が得られない原因となっていました。AIが学習する際に、本来とは違う「近道」をしてしまい、間違った答えを出してしまうことがあったのです。

今回の研究では、AIがなぜ間違った「近道」を選んでしまうのかを徹底的に分析し、その原因を特定しました。そして、その原因を取り除くための新しい方法を提案しています。具体的には、AIが物体の形を予測する際に、どれくらい自信を持っているかを数値で評価する技術（不確実性定量化）と、AIの判断プロセスを「見える化」する技術（メカニズム的解釈可能性）を組み合わせることで、AIの弱点を診断し、改善しました。

この新しいアプローチを、実際の世界に近い合成データ（1.5mから2.1mの距離にある50種類の物体、15,600枚の画像）で試したところ、従来のAIモデルでは14.54ミリメートルもの誤差があったものが、大幅に改善されることが示されました。これは、遠距離での3D計測技術に大きな進歩をもたらす可能性を秘めています。ドローンを使った広範囲の地形測量や、自動運転車の周囲認識、あるいは大規模な工場での製品検査など、様々な分野での応用が期待されます。