ECCV 2026採択論文：1枚画像から物体の「複数の未来」を予測——GARFIELDは軌道生成を97倍高速化

結論から言うと、1枚の画像から物体が次にどう動くかを一つに決めつけず、複数のあり得る未来と不確かさを高速に示す研究が登場した。ECCV 2026採択論文は2026年7月28日、GARFIELD（Goal-Aware Representations of Future Kinematic Latent Distributions）をarXivで公開した。

従来は、見た目を中心に未来動画を作る方法か、少数の軌道だけを抽選する方法が多く、動き全体の確率分布を直接扱いにくかった。GARFIELDは画像と、必要なら「この物体はこの時刻にここへ」といった時間・位置の少ない条件を受け取り、場面全体の動きを時空間の潜在表現にまとめる。同じ表現から全物体の軌道を一緒に抽選でき、決定的な密度デコーダーで、どの場所と時刻が不確かかも直接読める。

著者実験では、大規模な動画生成モデルに近い動作計画性能を保ちながら、軌道生成を97倍高速化し、動きの密度推定はモンテカルロ法より2桁速かった。将来は運転支援やロボットが危険な動きを複数想定する用途に関係する。ただし数値は研究用データでの著者評価で、実車や市販ロボットの安全を証明したものではない。公開製品でもなく、現実利用には独立した追試と安全検証が必要だ。