1 基礎概念と歴史
1.1 コンピュータビジョンの定義と目的
コンピュータビジョンとは、コンピュータを用いてデジタル画像や動画から人間の視覚系と同様の方法で意味のある情報を抽出し、理解することを目的とする情報技術の一分野である。カメラなどの入力デバイスで捉えた視覚データを数値データに変換し、物体の検出・認識・追跡、シーンの理解、三次元形状の復元などの様々なタスクを実現する。その究極の目標は、人間の視覚能力を超える、あるいは人間と同等の視覚的知能を機械に与えることにある。
1.2 関連分野との関係
コンピュータビジョンは画像処理、機械学習、ロボティクスなど複数の分野と密接に関連する。画像処理は主に画像の品質向上や変換を扱い、コンピュータビジョンの前処理段階として用いられる。機械学習、特に深層学習は物体認識や分類の強力な手法を提供する。ロボティクスはコンピュータビジョンを物理世界での行動決定に応用し、例えば自律移動ロボットの周辺環境認識に不可欠である。
1.3 歴史的発展の節目
1.3.1 古典的手法の時代（1960年代～1990年代）
1960年代に始まった初期の研究では、Larry Robertsによる「積み木の世界」に代表される、単純な幾何形状の認識が行われた。1970年代にはDavid Marrが視覚の計算理論を提唱し、エッジ検出やステレオ視による三次元復元の基礎が築かれた。1980年代から1990年代にかけては、Haar-like特徴やSIFT（Scale-Invariant Feature Transform）などの手設計特徴量が登場し、物体検出や画像マッチングが実用化され始めた。しかし、これらの手法は照明変化や背景の複雑さに対して脆弱であり、汎用的な認識は困難であった。
1.3.2 深層学習の登場とブレイクスルー（2010年代以降）
2012年、AlexNetがImageNet大規模視覚認識チャレンジ（ILSVRC）で従来手法を大幅に上回る精度を達成したことで、深層学習がコンピュータビジョンの主流手法となった。畳み込みニューラルネットワーク（CNN）の導入により、特徴量の自動学習が可能となり、物体認識、画像分類、物体検出の性能が飛躍的に向上した。その後、VGGNet、ResNet、YOLO、Mask R-CNNなどの革新的なモデルが次々と登場し、自動運転や医療画像診断など多くの応用分野で実用化が進んだ。
2 主要技術
2.1 画像前処理
2.1.1 フィルタリングとノイズ除去
画像前処理の基本として、撮影時に生じるノイズや不要な変動を除去するフィルタリングが行われる。代表的な手法として、ガウシアンフィルタによる平滑化、メディアンフィルタによるインパルスノイズ除去、バイラテラルフィルタによるエッジ保存平滑化などがある。これらの処理は後の特徴抽出や認識の精度向上に不可欠である。
2.1.2 特徴抽出（エッジ、コーナー、テクスチャ）
画像内の重要な情報を数値表現として取り出す特徴抽出は、古典的コンピュータビジョンの核である。エッジ検出にはCanny法やSobelフィルタが、コーナー検出にはHarrisコーナー検出器が、テクスチャ解析にはLBP（Local Binary Patterns）やGaborフィルタが用いられる。これらの特徴量は画像マッチングや物体認識の基礎となる。
2.2 物体検出と認識
2.2.1 伝統的手法（Haar-like特徴、HOG、SIFT）
深層学習普及以前は、Haar-like特徴とAdaBoostを用いたViola-Jones法が顔検出で広く使われた。また、HOG（Histogram of Oriented Gradients）特徴量は歩行者検出で成功を収めた。SIFTは画像のスケール変化や回転に頑健な局所特徴量として、画像間の対応点探索や物体認識に利用された。これらの手法は軽量で高速だが、認識精度は限定的であった。
2.2.2 深層学習アプローチ（CNN、R-CNN、YOLO、SSD）
深層学習の登場により、物体検出は大きく進化した。R-CNN（Regions with CNN features）は領域候補を生成してCNNで分類する二段階方式を採用し、その後のFast R-CNN、Faster R-CNNで高速化が図られた。一方、YOLO（You Only Look Once）やSSD（Single Shot MultiBox Detector）は一段階の検出手法でリアルタイム処理を実現し、自動運転などに必須の技術となった。これらのモデルはCNNによるend-to-end学習で高い精度と速度を両立する。
2.3 画像セグメンテーション
2.3.1 意味セグメンテーション（FCN、U-Net）
意味セグメンテーションは画像の各ピクセルに物体クラスを割り当てる手法である。FCN（Fully Convolutional Network）は全結合層を畳み込み層に置き換えることで、任意サイズの入力に対応したピクセル単位の分類を実現した。U-Netは特に医療画像分野で広く使われ、スキップ接続により高解像度の位置情報を保持しつつ正確なセグメンテーションを可能にする。
2.3.2 インスタンスセグメンテーション（Mask R-CNN）
インスタンスセグメンテーションは、画像内の個々の物体インスタンスをピクセルレベルで分離するタスクである。Mask R-CNNはFaster R-CNNを拡張し、物体検出と同時に各検出領域のセグメンテーションマスクを生成する。これにより、複数の同一クラス物体が重なる場合でも個別に識別できる。
2.4 画像生成と再構成
2.4.1 生成モデル（GAN、VAE）
GAN（Generative Adversarial Network）は生成器と識別器の競合学習により、リアルな画像を生成する。VAE（Variational Autoencoder）は潜在変数を用いた確率的生成モデルである。画像生成はデータ拡張、アート創作、超解像など様々な応用に利用される。ネットミーム文化では、GANを用いたフェイク画像生成やスタイル変換が人気を集めている。
2.4.2 超解像とノイズ除去
超解像技術は低解像度の画像から高解像度画像を復元する。深層学習ベースのSRCNNやESPCN、GANを用いたSRGANなどが代表的である。また、ノイズ除去ではDnCNNやCBDNetなどのCNNモデルが従来手法を上回る性能を示す。これらの技術は監視カメラ映像の鮮明化や医療画像の画質向上に貢献する。
2.5 動画処理と追跡
2.5.1 オプティカルフロー
オプティカルフローは、動画の連続フレーム間での画素の動きをベクトル場として推定する技術である。Lucas-Kanade法やFarneback法などの古典的手法に加え、深層学習を用いたFlowNetやRAFTが高精度な推定を実現する。オプティカルフローは動体検出、シーン理解、ビデオ圧縮などで重要な役割を果たす。
2.5.2 物体追跡アルゴリズム（KCF、DeepSORT）
物体追跡は、動画内で特定の物体を連続フレームにわたって追跡する。KCF（Kernelized Correlation Filters）は相関フィルタを用いて高速で頑健な追跡を実現する。DeepSORTは深層特徴量とカルマンフィルタ、ハンガリアンアルゴリズムを組み合わせ、複数物体の同時追跡を可能にする。これらの技術は自動運転や監視システムに応用される。
3 応用事例
3.1 自動運転システム
3.1.1 車線検出と障害物認識
自動運転車では、カメラ映像から車線境界線を検出し、自車の位置を推定する。また、前方の他車両や歩行者、落下物などの障害物をリアルタイムで認識し、衝突回避や経路計画に利用する。深層学習を用いたセマンティックセグメンテーションや物体検出がこれらのタスクの中核を担う。
3.1.2 歩行者・標識認識
歩行者検出は他車両検出よりも形状や見え方のバリエーションが多く、特に夜間や悪天候での認識が課題となる。標識認識は速度制限や一時停止などの交通標識を識別し、運転行動に反映する。これらの認識技術は、センサフュージョンによりレーダーやLiDARと組み合わせて安全を確保する。
3.2 医療画像診断
3.2.1 病変検出（X線、CT、MRI）
医療画像内の腫瘍や結節、骨折などの異常部位を自動検出する技術が実用化されている。肺結節検出はCT画像において、乳がん検出はマンモグラフィにおいて、脳腫瘍検出はMRIにおいて、それぞれ深層学習モデルが医師の診断を支援する。これにより読影時間の短縮や見落とし防止が期待される。
3.2.2 病理画像解析
病理組織画像（デジタルパソロジー）では、細胞や組織の異常を自動分類する技術が進んでいる。U-Netなどを用いたセグメンテーションによりがん領域を特定し、増殖度や悪性度の判定を補助する。深層学習は病理医の負担軽減と診断の標準化に貢献する。
3.3 監視セキュリティ
3.3.1 顔認識と認証
顔認識技術は、監視カメラ映像から個人を識別する。深層学習ベースの顔検出と特徴埋め込み（FaceNetなど）により、高精度な照合が可能になった。空港の出入国管理やスマートフォンのロック解除などで広く利用されるが、プライバシーや監視社会への懸念も存在する。
3.3.2 異常行動検出
監視映像から不審な行動（徘徊、突然の走り出し、暴力行為など）を自動検出するシステムが開発されている。オプティカルフローや行動認識モデル（3D-CNN、Transformerなど）を用いて時系列パターンを学習し、異常イベントをアラートとして通知する。ただし、誤検出や倫理的問題への配慮が必要である。
3.4 拡張現実（AR）とバーチャルリアリティ（VR）
3.4.1 空間マッピングとオブジェクト配置
ARデバイスでは、カメラで捉えた現実空間の三次元構造をリアルタイムでマッピングし、そこに仮想オブジェクトを重畳する。SLAM（Simultaneous Localization and Mapping）技術と物体認識の組み合わせにより、机の上にバーチャルな家具を配置するなど、直感的な操作が可能となる。VRでは、視界全体を仮想空間で覆い、没入体験を提供する。
3.4.2 エフェクトフィルター（ネットミーム文化にも関連）
スマートフォンアプリの顔フィルターは、顔検出とランドマーク追跡により、ユーザーの顔に動物の耳や変顔エフェクトを重ねる。こうした技術はSNS上で爆発的に普及し、ネットミーム文化の一部として親しまれている。リアルタイムの画像生成やスタイル変換に深層学習が活用され、日常的なエンターテインメントに溶け込んでいる。
3.5 エンターテインメントとソーシャルメディア
3.5.1 写真編集アプリの自動補正
スマートフォンのカメラアプリでは、撮影後に露出、色合い、コントラストなどを自動調整する機能が標準搭載されている。コンピュータビジョンによりシーン認識（風景、人物、料理など）を行い、最適な補正パラメータを適用する。また、背景ぼかし（ポートレートモード）は深度推定技術を用いて実現される。
3.5.2 動画内のモーションキャプチャ
ゲームや映画制作では、カメラ映像から人体の関節位置を推定し、キャラクターの動きに反映するモーションキャプチャ技術が使われる。OpenPoseやMediaPipeなどのライブラリは、単眼カメラからリアルタイムで骨格推定を可能にし、ダンス動画の合成やARアバター操作などに応用される。ネットミームでは、特定のポーズをとるテンプレート動画が流行することもある。
4 課題と将来展望
4.1 技術的課題
4.1.1 データ不足とアノテーションコスト
深層学習モデルの訓練には大量のラベル付きデータが必要だが、特に医療画像や産業用途ではデータ収集が困難で、アノテーションには専門家の人手と時間がかかる。データ拡張や半教師あり学習で軽減する試みが進むが、完全な解決には至っていない。
4.1.2 敵対的攻撃に対する脆弱性
ニューラルネットワークは人間には知覚できない微小な摂動を加えられた画像に対して誤認識を起こすことが知られている（敵対的例）。自動運転やセキュリティシステムでは、この脆弱性が安全性の脅威となる。防御手法として敵対的訓練などが研究されている。
4.1.3 モデルの一般化とドメイン適応
訓練環境と実運用環境でデータ分布が異なる場合（ドメインシフト）、モデルの性能が低下する。例えば、晴天下で訓練した自動運転モデルを雨天や夜間に適用すると精度が落ちる。ドメイン適応やドメイン汎化の技術が重要である。
4.2 倫理的・社会的課題
4.2.1 プライバシーと個人情報保護
監視カメラや顔認識技術の普及により、個人の行動が無自覚に記録・分析されるリスクが高まっている。特に公共空間での顔認識はプライバシー侵害の懸念があり、EUのGDPRなど法規制が進んでいる。技術的な対策として、エッジデバイスでの匿名化処理や連合学習が注目される。
4.2.2 バイアスと公平性の問題
訓練データの偏りにより、特定の人種や性別、年齢層に対する認識精度が不均等になるバイアス問題がある。例えば、顔認識システムが白人男性に比べて有色人種の女性の認識率が低いという事例が報告されている。公平なAIを実現するためには、多様なデータ収集とアルゴリズムの公平性評価が不可欠である。
4.3 今後の方向性
4.3.1 自己教師あり学習と少数ショット学習
ラベルなしデータから特徴表現を学習する自己教師あり学習（SimCLR、BYOLなど）は、膨大なアノテーションコストを削減する可能性を持つ。また、少数のサンプルから新しいクラスを認識する少数ショット学習は、データ不足が深刻な分野での実用化を促進する。
4.3.2 3DビジョンとNeRF
従来の2D画像認識から三次元空間の理解への移行が進んでいる。NeRF（Neural Radiance Fields）は、複数視点の画像から高品質な三次元シーンを復元する技術であり、AR/VRやデジタルツインへの応用が期待される。また、点群処理やRGB-Dセンサを用いた認識も重要になる。
4.3.3 エッジデバイス上での軽量モデル（TinyML）
クラウドに依存せず、スマートフォンやIoTデバイス上でコンピュータビジョンを実行する需要が高まっている。モデル圧縮（量子化、枝刈り、蒸留）や軽量アーキテクチャ（MobileNet、EfficientNet）の開発により、低消費電力・低遅延でのリアルタイム推論が可能になりつつある。これにより、プライバシー保護にも寄与する。