CVPR2023から見るコンピュータビジョンの動向

1.2. Segmentationタスク

昨年人気1位だった「detection」は3位に順位を落とし、「segmentation」が4位にランクアップしました。ピクセル単位のラベリングが必要なSegmentationタスクは、点群表現との親和性が高いため、3Dモデリングの進化に合わせて人気が高まっています。7位の「Semantic Segmentation」だけでなく、「Panoptic Segmention」をテーマにした論文も増加傾向にあります。

2. 急上昇ワードから見る動向

次に、タイトル出現件数の対昨年増加率の高い順でランキングを行います。以下がワードクラウドの図です。字の大きい単語ほど、昨年比の出現割合が増加していることを示しています。

そして、タイトル出現件数の対昨年増加率Top10のワードをグラフで示します。図中の増加率右にある括弧内は、CVPR2022とCVPR2023の出現件数の変化を示しています。

この分析結果から、生成AI、Open-Vocabularyタスク、CNNアーキテクチャの3つの動向を整理します。

2.1. 生成AI

ランク1位の「prompting」、4位の「Diffusion」、8位の「text-to-image」は全て、生成AIに関する単語です。画像の生成だけでなく、3Dモデルや動画の生成・修正も高品質に行える技術論文がいくつも採択されています。

2.2.  Open-Vocabularyタスク

「Open-Vocabulary」という複合語が5位にランクインしています。この単語は「Open-Vocabulary Tracking」や「Open-Vocabulary Segmentation」のように、タスク名に係る形で使われます。これらは、学習されていない未知のラベルに対してもTrackingやSegmentationを行うことを目的としたタスクです。画像とテキストを同じ特徴量空間に埋め込む技術「CLIP (Connecting Text and Images)」(2021年にOpenAIが提案) をベースにした論文がいくつも採択されています。

2.3. CNNアーキテクチャ

急上昇ランク2位と9位に位置する「MAE（Masked Autoencoder）」は、「ViT（Vision Transformer）」のコア技術です。ViTは現在CNNに代わる主流のアーキテクチャとなっていますが、CVPR2023にてCNNアーキテクチャとMAEを統合した論文 ConvNeXt V2 が採択されました。これは、CNNベースアーキテクチャがViTベースアーキテクチャの精度に勝る可能性があることを示しています。今後CNNの人気が再燃するかもしれません。

3. まとめ

CVPR2023で採択された論文のタイトルを分析し、コンピュータビジョンの動向を整理しました。今年は3DモデリングやSegmentationタスクに加え、生成AIやOpen-Vocabularyタスク、CNNアーキテクチャに対して関心が集まりました。