Depth Estimation

深度推定は、コンピュータビジョンにおける重要なプロセスであり、カメラからオブジェクトまでの距離を決定し、2D画像に実質的に3次元を追加します。画像内のすべてのピクセルがどれほど離れているかを計算することにより、このテクニックはピクセルの明度が距離に対応する表現である深度マップを作成します。この機能は人間の両眼視を模倣し、マシンが空間的関係やジオメトリを知覚できるようにします。自律型システムが安全にナビゲートし、環境を理解し、物理的オブジェクトと対話できるようにするための基礎となるテクノロジーです。

主要なメカニズムと技術#

深度推定を実現する方法には、ハードウェアベースのソリューションから、人工知能を使用した純粋なソフトウェア駆動型のアプローチまで、いくつかのアプローチがあります。

• ステレオビジョンシステム: 人間の目と同様に、ステレオビジョンは並べて配置された2台のカメラを使用します。アルゴリズムは、左右の画像の間のわずかな違い（視差）を分析して距離を三角測量します。これは、両方のフレームで同じポイントを特定するための正確な特徴量マッチングに大きく依存しています。
• 単眼深度推定: この高度な手法は、1枚の画像から深度を推定します。単一の2D写真には固有の深度データがないため、ディープラーニングモデルは、遠近法、オブジェクトのサイズ、オクルージョンなどの視覚的手がかりを認識するように膨大なデータセットでトレーニングされます。畳み込みニューラルネットワーク (CNN)などの最新のアーキテクチャはこのタスクに優れており、標準的なカメラから3D構造を導き出すことを可能にします。
• LiDARおよびTime-of-Flight (ToF): LiDAR (Light Detection and Ranging)やTime-of-Flightカメラなどのアクティブセンサーは、光パルスを放出し、それが戻ってくるまでの時間を測定します。これらの手法は精度の高い点群を生成し、機械学習モデルのトレーニング用のグラウンドトゥルースデータを収集するためによく使用されます。

実社会での応用#

距離を測定する能力は多くの業界で変革をもたらしており、空間認識を必要とするアプリケーションを支えています。

• 自動運転: 自動運転車は、障害物の検出、他の車両までの距離の測定、および複雑な道路網の安全な走行のために深度推定に依存しています。これは、歩行者や自転車を特定するための3Dオブジェクト検出に不可欠です。
• ロボティクスと自動化: ロボットは、経路計画やオブジェクト操作などのタスクに深度知覚を使用します。たとえば、倉庫のロボットは、衝突することなく荷物をピックアップするために、棚が正確にどれくらい離れているかを知る必要があります。
• 拡張現実 (AR): 仮想オブジェクトを現実世界のシーンに自然に配置するには、ARデバイスは環境の3D幾何学構造を理解する必要があります。深度推定により、仮想キャラクターが本物の家具の後ろに隠れるといった、オクルージョン処理として知られる概念が可能になります。

コード例: 単眼深度推定#

特殊な深度モデルが存在する一方で、シンプルなシナリオでは距離の代理としてオブジェクト検出バウンディングボックスを使用して空間関係を推論できることがよくあります（ボックスが大きいほど、オブジェクトが近いことを意味します）。これは、多くの深度対応パイプラインの最初のステップであるオブジェクトを検出するために ultralytics パッケージを使用してモデルをロードする方法です。

from ultralytics import YOLO

# Load the YOLO26 model
model = YOLO("yolo26n.pt")

# Run inference on an image
results = model("path/to/image.jpg")

# Process results
for result in results:
    # Get bounding boxes (xyxy format)
    boxes = result.boxes.xyxy

    # Iterate through detections
    for box in boxes:
        print(f"Detected object at: {box}")

他のコンピュータビジョンコンセプトとの関係#

深度推定を関連用語と区別することが重要です。オブジェクト検出が2D空間内でオブジェクトが何でありどこにあるかを（バウンディングボックスを使用して）特定するのに対し、深度推定はそれがどれほど離れているか（Z軸）を特定します。同様に、セマンティックセグメンテーションはピクセルをカテゴリ（道路、空、車など）に分類しますが、深度推定はそれらの同じピクセルに距離値を割り当てます。

空間AIにおける進歩#

生成AIにおける最近の進歩は、2Dと3Dビジョンの間のギャップを埋めつつあります。ニューラルラディアンスフィールド (NeRF)などの技術は、複数の2D画像を使用して複雑な3Dシーンを再構築し、根底にある深度の原則に大きく依存しています。さらに、モデル最適化技術が向上するにつれて、エッジAIデバイスで精度の高い深度推定を実行することが現実的になりつつあります。これにより、効率的なモデルのトレーニングとデプロイのためのUltralytics Platformなどのプラットフォームによって促進され、ドローンやスマートグラスほど小さなハードウェアでリアルタイムの空間コンピューティングが可能になります。