3Dミラージュ：単眼深度推定における幻覚の探求と抑制

- 単眼深度基盤モデル（monocular depth foundation models）が、平面または低曲率で知覚的に曖昧な入力から存在しない3D構造を幻覚する失敗を『3D Mirage』と命名した研究。 - この失敗を probe（検出）・score（評価）・tame（抑制）する end-to-end framework を提案。 - 具体的には、実世界の錯視に特化した初の benchmark『3D-Mirage』、2つの指標（DCS, CCS）、および Grounded Self-Distillation による緩和手法から構成される。

- 従来の単眼深度推定（MDE）評価は pixel-wise accuracy 中心で、構造的・文脈的ロバスト性の評価が不足していた。 - 本論文は context variation と精密アノテーションを組み合わせた初の benchmark『3D-Mirage』を提示し、実物体除外や multi-surface 対応を含む点が新しい。 - 評価指標として second-order magnitude に基づく DCS と CCS を導入し、幻覚を定量化する枠組みを初めて提供。 - 緩和手法 Grounded Self-Distillation は parameter-efficient で、背景知識を保持しつつ幻覚 ROI のみを狙う点が先行研究と異なる。

- probe：実世界の錯視を context variation と精密アノテーションで整備した benchmark『3D-Mirage』を構築。real object exclusions と multi-surface support を備える。 - score：second-order magnitude に基づく2指標を提案。DCS（Deviation Composite Score）は高い second-order 3D 構造のずれを、CCS（Confusion Composite Score）は文脈的不安定性を評価。 - tame：Depth-Anything-V2 をベースに Grounded Self-Distillation を適用。parameter-efficient に幻覚 ROI を外科的に狙い、背景知識を保ちつつ catastrophic forgetting を回避。

- 提案 benchmark『3D-Mirage』上で、単眼深度モデルの幻覚を probe し、DCS と CCS で定量評価。 - Grounded Self-Distillation を Depth-Anything-V2 baseline に適用し、幻覚 ROI の解消と背景知識の保持を検証。 - 具体的なデータセット規模や比較実験の詳細は要旨からは不明。

- MDE の評価を pixel-wise accuracy から構造的・文脈的ロバスト性へ転換する必要性を訴えている。 - 幻覚を安全性リスクとして位置づけ、その定量化と緩和の重要性を議論。 - 手法の限界や一般化可能性、他の基盤モデルへの適用性については要旨からは不明。

- Depth-Anything-V2（ベースラインとして参照） - 単眼深度推定の基盤モデル（monocular depth foundation models）に関する代表的研究 - 錯視・幻覚に関する知覚研究や、MDE のロバスト性評価に関する関連 benchmark