コンピュータビジョンの歴史
History of Computer Vision
全体像：60 年の歩み
コンピュータビジョン (Computer Vision, CV) は「コンピュータに画像を理解させる」分野だ。1966 年の「夏休みの課題」をよく語られる出発点として（それ以前にも立体認識などの研究はあった）、幾何モデルの時代、手作り特徴量の時代を経て、2010 年代のディープラーニング革命、2020 年代のニューラル 3D 表現、そして基盤モデル・生成 AI へと発展してきた。まずは 60 年の全体像を 1 枚で眺めてみよう。
1960 年代：楽観の始まり
1966 年、MIT で「Summer Vision Project（夏季ビジョンプロジェクト）」と呼ばれる研究計画が立ち上がった。当時は「ひと夏あればコンピュータに視覚を与えられるのではないか」というほど楽観的に考えられ、その実装が学生に託された。しかし計画した目標には届かなかった。「見る」という行為は、当時考えられていたよりもはるかに難しい問題だった。
この時代の教訓：人間には一瞬でできる「見る」ことが、なぜ計算機には難しいのか。この問いが、その後 60 年の研究を駆動する出発点になった。
1980 年代：Marr の枠組み
David Marr は著書 Vision（1982）で、視覚を「段階的に表現を作り上げる情報処理」として整理した。計算論的な視覚研究（computational vision）に理論的な枠組みを与えた記念碑的な仕事であり、いまも視覚研究の基礎的な参照点になっている。
Marr の 3 段階の表現
- 原始スケッチ（primal sketch）：エッジや輪郭など、画像から直接得られる基本的な特徴。
- 2.5 次元スケッチ：観測者から見た面の向きや奥行き（視点に依存した表現。「2.5」は次元の数ではなく、見えている面だけの奥行きという意味）。
- 3 次元モデル：視点によらない、物体そのものの形の表現。
1990〜2000 年代：特徴量とエンジニアリング
1999 年、David Lowe の SIFT（Scale-Invariant Feature Transform）が登場した。スケールや回転が変わっても安定して見つかる特徴点を検出し、その周辺を数値ベクトルで記述する手法だ。物体認識・パノラマ合成・Structure from Motion（多視点からの 3D 復元）の基盤になった。
同じ時期に、それ以前から生まれていた Harris コーナー検出（1988 年）、ハフ変換（1962 年）、エピポーラ幾何なども含めて、幾何モデルにもとづく手法が体系化されていった。「人間が良い特徴量を設計する」エンジニアリングの時代である。
この時代の代表的な道具
- SIFT / SURF：スケール・回転に強い局所特徴。
- Harris コーナー：画像中の角（コーナー）の検出。
- ハフ変換：直線や円の検出。
- エピポーラ幾何：2 枚の画像の対応づけと 3D 復元の基礎。
2010 年代：ディープラーニング革命
2012 年、AlexNet が ImageNet のデータを使う画像認識コンテスト（ILSVRC）で、誤り率（top-5 誤答率）約 15% を記録した。次点（手作り特徴量の手法）の約 26% を大きく下回り、研究者に衝撃を与えた。深層畳み込みニューラルネットワーク（CNN）が、それまでの手作り特徴量ベースの手法を一気に置き換えていく。
その後、VGG・ResNet といった深いネットワークへと発展し、ImageNet の分類では ResNet（2015 年）の top-5 誤り率 約 3.6% が、人の推定値（約 5%・一人の実験による目安）を下回った。2020 年には Transformer を画像に応用した ViT（Vision Transformer）が現れた。
転換点：「人間が特徴量を設計する」から「データから特徴量を学習させる」への大きな方針転換。特徴の学習は LeCun らの CNN（1998 年）などそれ以前から研究されていたが、AlexNet を境に現在の CV の主流になった。
2020 年代：3D とニューラル表現
2020 年、NeRF（Neural Radiance Fields）が登場した。カメラの位置・姿勢が分かっている多数の写真から、ニューラルネットワークそのものに「シーンの 3D 構造と見え方」を暗黙的に覚えさせ、新しい視点からの画像を生成する（撮られていない部分まで正しく再現できるわけではない）。
2023 年には 3D Gaussian Splatting（3DGS）が現れ、多数のガウシアン（ぼかした点）でシーンを明示的に表現することで、高速かつ高品質なレンダリングを実現した。NeRF と 3DGS は 3D 表現の最先端で、CG・VR・自動運転などを変えつつある。そして 2024 年以降、CV はさらに大きな変化を迎える。
2024 年以降：基盤モデルと生成 AI
2023 年以降も進歩は止まっていない。むしろ、これまで別々だった「認識」「生成」「3D」「言語」が、巨大な基盤モデル（foundation model。広いデータで事前に学習し、追加の学習などで様々な仕事に適応できるモデル）へと融合していく流れが加速している。
マルチモーダル基盤モデル：画像と言語を結びつけた CLIP（2021）を源流に、GPT-4o や Gemini のように画像とテキストを同時に扱う巨大モデルが実用化した。認識専用のモデルを一から作るのではなく、「見て・読んで・答える」汎用モデルを使い回す時代に入りつつある。セグメンテーションでも SAM（Segment Anything, 2023）から SAM 2（2024）へ進み、静止画から動画へと対象が広がった。
動画生成と世界モデル：Sora（2024）に代表される Diffusion Transformer が、テキストから高品質な動画を生成できるようになった。単に「見る」だけでなく、時間変化を予測する世界モデルへと研究が広がっている（ただし見た目が自然な動画でも、物理法則が正しく再現されるとは限らない）。
フィードフォワード 3D 復元：DUSt3R / MASt3R（2024）は、カメラの位置が未知の複数画像から、密な 3D をネットワークで一気に推定する。Depth Anything（2024）は 1 枚の画像から相対的な奥行きを推定する基盤モデルだ（メートル単位の距離は追加学習版で推定する）。3D Gaussian Splatting も、動く場面（4D）へと拡張が進んでいる。
近年の傾向：タスクごとに小さなモデルを設計する時代から、巨大な基盤モデルを幅広いタスクに使い回す時代へ。こうしたモデルは年々大規模化する一方、リアルタイム化や省メモリ化（エッジ AI）も同時に進む。CV は、言語・生成・3D と溶け合いながら進化を続けている。
まとめ
コンピュータビジョンの 60 年は、「見ることの難しさ」に人類が挑み続けた歴史だ。中心となる考え方は、時代ごとに次のように移り変わってきた。
| 時代 | 代表技術 | 中心のアイデア |
|---|---|---|
| 1966 | MIT 夏季プロジェクト | 「視覚を解く」ことへの楽観と、その挫折 |
| 1980s | Marr の枠組み | 視覚を段階的な表現の構築として整理 |
| 1999 | SIFT | 人が設計する、頑健な手作り特徴量 |
| 2012 | AlexNet | データから特徴量を学習する（DL 革命） |
| 2020 / 2023 | NeRF / 3DGS | 画像から最適化する 3D シーン表現（NeRF＝ニューラルネットの暗黙表現、3DGS＝ガウシアンの明示表現） |
| 2024〜 | 基盤モデル / 生成 AI | 認識・生成・3D・言語の融合（SAM 2・Sora・DUSt3R） |
- 出発点は 1966 年の MIT 夏季プロジェクト。
- Marr が理論的な枠組みを与え、SIFT が特徴量の時代を築いた。
- 2012 年の AlexNet を境に、設計から「学習」へと主流が移った（特徴の学習の研究はそれ以前からある）。
- 2020 年代は NeRF・3DGS による 3D 表現が進み、2024 年以降は基盤モデル・生成 AI へと融合が加速している。
よくある質問
SIFT はもう古いか?
深層学習の特徴量に押されつつあるが、スケールや回転に強く、学習用のデータが要らないため、今も 3D 復元（SfM）や画像の照合で使われる。リアルタイムの SLAM や AR では、より高速な ORB などが主に使われる。
CV と画像処理の違いは何か?
厳密な区別はないが、画像処理は「画像から画像へ」(フィルタリング・補正)、CV は「画像から意味へ」(認識・3D 復元) を扱う傾向がある。
これからの CV はどう発展するか?
より大規模な基盤モデル (CLIP, Segment Anything 等)、3D 復元と新しい視点の画像合成 (NeRF/3DGS の進化)、効率化 (エッジ AI) が見込まれる。