1 スケール推定の概念
1.1 スケールの定義と種類
1.1.1 絶対スケールと相対スケール
スケール推定では、「大きさ」や「規模」に関する量の基準の置き方に応じて、絶対スケールと相対スケールを区別する。絶対スケールは、長さ・面積・距離などの物理単位や、強度の絶対的な目盛りに対して値を与える形態である。たとえば既知の基準長が存在し、その参照により対象の実寸を復元する状況が該当する。相対スケールは、対象間の比や順位など、基準に対する相対的な関係として表される。具体例として、画像内で物体間の距離比を復元する、時間発展の中である量の増減割合を推定する、などが挙げられる。一般に絶対スケールは参照情報の有無に強く依存し、相対スケールは参照の欠落があっても成り立ちやすい一方で、最終的な単位換算には別途情報が必要になる。
1.1.2 係数（倍率）としてのスケール
スケールを倍率として表す場合、対象の観測値や内部表現が、未知の係数を通じて実世界量に対応づけられるとみなす。たとえばあるセンサ出力が線形変換に従い、係数によって実寸の長さへ変換できるなら、推定対象はその倍率に当たる。倍率スケールは線形性が崩れる場合にも、局所的な近似や変換モデルとして拡張される。重要なのは、倍率が単一の定数で表現できるか、条件に応じて変化するかである。変化する場合は「スケールが場所や状況で変わる」ことをモデルに含め、推定の自由度と不確実性を適切に扱う必要がある。
1.1.3 規模（強度・量）としてのスケール
規模としてのスケールは、物理的に測られる大きさそのものに限らず、強度や量のレベルを対象とする。例として、地球観測における分布の広がり、流体や放射の強さ、画像に現れるエネルギーの総量などが該当する。ここでは「見かけの値」から「実際の規模」を復元するため、観測方程式に含まれる感度、単位、集計の仕方が推定結果へ直結する。規模スケールの推定は、単位換算に留まらず、観測がどのように対象の分布や状態を圧縮・混合しているかを反映した推定になる点が特徴である。
1.2 推定の基本設定
1.2.1 観測データと測定モデル
スケール推定は、観測データと測定モデルの対応付けとして定義できる。測定モデルは、真の量（スケールを含む）から観測値へ至る過程を記述する関数であり、線形・非線形、幾何学的変換、物理過程、統計的な生成モデルなどの形を取る。たとえば画像では幾何学的投影やレンズ歪み、センサの応答関数、検出の閾値が測定モデルに含まれる。地球科学では観測が空間平均や積分として得られることがモデル化され、工学計測では応答曲線や校正の式が組み込まれる。推定対象のスケールがモデルのどこに現れるかを明確にすると、誤差の流れと識別性の評価が容易になる。
1.2.2 既知情報（参照）の役割
参照情報は推定を成立させる鍵になる。既知量は、スケールを固定するためのアンカーとして働く場合があり、複数の参照があるほど制約が強化される。参照の形は、長さの既知基準、物体の既知サイズ、観測系の既知校正係数、過去の観測から得た統計的性質など多様である。参照が全くない相対推定では、解が無限に縮退することがあるため、追加の仮定（例：滑らかさ、一定の比例、物理的整合）が不可欠になる。参照情報がどの程度信頼できるかも重要であり、誤差の分散が大きい参照をそのまま固定すると系統誤差の温床になる。
1.2.3 誤差・外れ値の考え方
現実の観測にはノイズと外れ値が混ざる。ノイズは分布として記述できるランダム誤差であり、測定限界や検出のばらつき、量子化などが原因になる。外れ値は、モデル化しきれない要因や誤対応、破損データ、閾値を超える歪みなどにより生じ、誤差分布の尾を重くする。スケール推定では、これらの扱いが推定結果の頑健性と不確実性に直結する。たとえば最小二乗系はガウス的ノイズには適する一方で、外れ値に弱い傾向がある。したがって誤差モデルの仮定を観測の性質に合わせ、頑健推定や重み付け、閾値判定などの工夫を組み合わせるのが一般的である。
2 数理的アプローチ
2.1 幾何学的手法
2.1.1 参照ベースの比例推定
参照点や既知寸法が利用できるとき、比例関係としてスケールを推定する方法が成立する。典型例は、画像上の長さ比や、観測された距離が真の距離に比例すると仮定するケースである。観測された幾何量と既知の幾何量の対応から、係数を解く形になり、誤差は各対応点間のばらつきとして現れる。複数の参照がある場合は、各ペアから得られる倍率推定値の整合性を評価し、平均化や最小二乗の枠組みで統合する。比例推定の注意点は、対応付けの誤りがあると係数が強く引きずられる点であり、参照の信頼度や対応確率を考慮した重み付けが有効になる。
2.1.2 射影・歪みを含む推定
幾何学的モデルでは、投影やレンズ歪みなどの変換がスケールに混入する。たとえば3次元点を画像に写す過程では、焦点距離や姿勢、カメラ位置が距離と見かけの大きさを結びつける。ここで単純な比例を仮定すると誤差が増大するため、射影モデルを用いてスケールを含むパラメータを同時に推定する必要がある。歪みがある場合は、レンズパラメータを既知とするか、推定に含めるかを決める。推定に含めると自由度が増えて不確実性が増す一方、校正されていない系では性能向上が期待できる。さらに、視点の変化や部分遮蔽によって対応が不安定になるため、対応の確からしさを重みや確率としてモデルへ反映させることが多い。
2.1.3 複数手がかりの整合性検証
複数の手がかり（異なる参照、異なる観測モダリティ、独立な幾何拘束）が得られるとき、整合性を検証することで解の信頼性を高められる。たとえばあるスケールで観測間の整合がとれるなら、別の手がかりでも同じスケールが予測されるはずである。これを数理的には拘束方程式の整合条件、あるいは予測誤差の最小化として扱う。整合性が崩れる場合は、対応誤り、参照の誤差、モデル仮定の破れが疑われる。したがって検証は単なる事後確認ではなく、推定中に外れた拘束を弱める仕組みとして組み込むと効果的である。整合性を評価するための指標は、残差の大きさ、不確実性の整合、複数拘束間の矛盾の程度などで定義される。
2.2 統計的手法
2.2.1 最尤推定と誤差モデル
統計的アプローチでは、観測データがある確率モデルに従うと仮定し、スケールをその尤度最大化として推定する。最尤推定では、誤差項の分布（たとえばガウス、ラプラス、ヘビーテイルなど）が明示され、残差の振る舞いが推定に反映される。誤差分散が未知なら推定対象に含めるか、別途校正で与える必要がある。尤度は「どの程度ズレが起きやすいか」を表すため、同じ残差でも誤差モデルが違えば推定結果が変わる。スケール推定では、線形化して最適化する場合と、非線形のまま数値計算で最大化する場合があり、どちらもモデルの妥当性に依存する。
2.2.2 外れ値に頑健な推定（ロバスト）
外れ値が混在すると、典型的な損失関数（平方誤差など）は過大に影響され、スケールが歪む。頑健推定では、損失関数の形を工夫して尾の重みを抑える。たとえば重み付き最小二乗、M推定、損失関数を滑らかな飽和形にする設計が用いられる。さらにデータのサブセットから解を復元し、整合するものを選ぶサンプリング系もある。頑健化の目的は、外れ値が混ざっても推定の中心が過度に動かないようにすることであり、どの程度の外れ値率まで破綻しないかを評価する必要がある。結果として、推定値だけでなく、収束挙動や計算量も含めた選択が重要になる。
2.2.3 回帰・正則化によるスケール推定
回帰の枠組みでは、観測からスケールやその変換係数を学習する。回帰は、入力特徴量と目的変数（スケール関連量）を関連付ける関数の推定として表される。正則化は、過学習や縮退した解を避けるために損失関数へ罰則項を加える仕組みである。スケール推定では、参照が少ない場合に識別性が弱くなるため、正則化は特に有効である。たとえば係数の滑らかさや、変換の単純さを促す制約が、過剰な自由度による暴走を抑える。正則化の強さはハイパーパラメータとして決める必要があり、検証データや不確実性の見積もりを通じて調整される。
2.3 ベイズ的手法
2.3.1 事前分布と事後分布
ベイズ的手法では、スケールに関する未知量を確率変数として扱い、事前分布と尤度から事後分布を得る。事前分布は、参照が弱い状況で特に意味を持つ。たとえば倍率が大きくなる可能性が低い、ある範囲に集中している、物理的制約から符号や範囲が制限される、といった情報を反映できる。事後分布は、観測を踏まえた更新結果であり、点推定だけでなく不確実性を伴う形で提示される。推定対象が複数パラメータを含む場合、共分散構造が重要になり、事後の相関が予測や意思決定に影響する。
2.3.2 不確実性の定量化（信頼区間）
ベイズ推定の利点の一つは、不確実性を確率として表現できる点にある。事後分布から得られる区間推定（信頼区間に相当する区間、あるいは信用度の高い範囲）は、推定値の精度とリスクの大きさを同時に示す。区間が広いときは参照の不足、モデル誤差の大きさ、情報量の制約が示唆される。逆に狭い区間は観測が有効にスケールを拘束していることを意味するが、事後の妥当性は事前分布と尤度仮定の誤りにも依存する。したがって不確実性の解釈は、推定器の仮定の適合度と一体で評価する必要がある。
2.3.3 予測分布による評価
予測分布は、推定したスケールを用いて将来の観測や観測値の分布を予測する枠組みである。これにより、単に残差が小さいかではなく、観測のばらつきや外れ値の確率まで含めた整合を評価できる。たとえば得られたスケールが正しいなら、未知の入力に対してどの程度の観測誤差が期待されるかが決まる。予測分布に基づく評価は、較正（calibration）の観点でも重要であり、予測区間の内包率や誤差の分布形状が期待と一致しているかを確認する。スケール推定の現場では、予測の信頼性が意思決定に直結するため、この評価は実務的な価値が高い。
3 計算手法と実装
3.1 推定アルゴリズムの選択
3.1.1 最小二乗系・反復最適化
最小二乗系は、残差平方和を最小化することでスケール推定を行う枠組みである。線形問題では解析解が得られることが多いが、射影や非線形変換が関与すると反復最適化が必要になる。反復では、ヤコビアンやヘッセ行列近似を用いてパラメータを更新し、収束まで繰り返す。重要なのは初期値で、局所解や発散の回避に影響する。加えて、損失関数のスケール（数値の桁）を調整しないと条件数が悪化し、更新が不安定になる場合がある。したがって実装では、正規化や変数変換、停止条件（残差減少量やパラメータ変化）を丁寧に設定する。
3.1.2 混合推定（ハイブリッド）戦略
混合推定は、複数の手法を組み合わせて安定性と精度を両立させる考え方である。たとえば頑健推定で外れ値を排除または重み付けした後に、最小二乗で微調整する流れはよく用いられる。あるいは幾何学的拘束で候補解を生成し、統計モデルで尤度に基づく選択を行う設計もある。ハイブリッドの利点は、各手法の弱点を相互に補える点にある。実務では、計算コストと頑健性のトレードオフを考えながら段階的に設計することが多い。
3.1.3 スケールの制約条件の組み込み
制約条件は、物理的妥当性や解の縮退を避けるために組み込む。たとえば倍率が負にならない、範囲内に収まる、単調性や滑らかさが期待されるといった条件がある。制約は硬い形式（等式・不等式制約として厳密に扱う）と、柔らかい形式（正則化やペナルティで緩やかに誘導する）に分けられる。どちらを選ぶかは、誤差の性質と対象の現実的な変動幅に依存する。制約を入れ過ぎると真の変動を抑え込み、逆に制約が弱いと不確実性が膨らむため、バランスが必要である。
3.2 データ前処理と品質管理
3.2.1 スケーリング前提のチェック
スケール推定の前提として「観測がスケールに対してどのように変わるか」を事前に検証する。線形性を仮定してよいのか、飽和や非線形応答があるのか、歪みが無視できる範囲かを確認する。たとえばセンサのダイナミックレンジ超過が疑われる場合、単純な比例モデルは破綻しやすい。前処理では、キャリブレーションデータや別条件の測定を用いて、モデル仮定が満たされる領域を特定することが望ましい。チェックの結果は後段の誤差モデルや損失関数の設計へ反映される。
3.2.2 特徴量選択と対応付け
対応付け（対応点の選択、対応関係の推定）は、幾何学的スケール推定の要である。特徴量の選択では、スケール変化に対して感度が高いか、安定して追跡できるかを重視する。画像ではエッジ、コーナー、密な特徴などの特性により、誤対応の率が変わる。地球観測では空間パターンの相関に基づく対応が重要になることがある。特徴量が不安定だと推定の残差が増え、倍率の推定が不安定化するため、前処理段階でのフィルタリングや重み付けが重要になる。
3.2.3 欠測・打ち切りへの対処
欠測は参照不足を引き起こし、推定の不確実性を増やす。欠測への対処は、データを除外する、欠損を推定する、あるいは損失関数に欠測を反映するの三系統に大別される。打ち切り（観測が途中で取得できない、閾値で止まる）も同様に情報量を変えるため、観測モデルの変更が必要になる場合がある。たとえば測定が閾値を超えたときのみ記録されるなら、打ち切り分布を考慮しないとバイアスが生じる。実装では、欠測の発生メカニズムに応じて欠損処理を選ぶことが望ましい。
3.3 誤差伝播と数値安定性
3.3.1 感度分析
感度分析は、スケール推定結果が入力誤差にどれほど影響されるかを調べる手続きである。小さな摂動を与えて推定値が大きく動く場合、推定は不安定であり、参照の質や配置が悪い可能性がある。感度はヤコビアンやフィッシャー情報行列などで評価でき、パラメータの相関も含めて解釈される。感度分析は、どの観測やどの条件が支配的かを特定し、追加計測の優先順位を決めるのにも役立つ。
3.3.2 数値誤差・条件数の扱い
最適化と線形代数計算では数値誤差が蓄積するため、条件数やスケーリングが問題になる。条件数が大きいと、わずかな丸め誤差が解の大きな誤差に変換されることがある。これを緩和するために、正規化（単位の桁揃え）、正則化、安定な分解法（QR分解や特異値分解の利用）が選ばれる。反復最適化でも、ステップサイズの調整や停止条件が不適切だと収束が遅れ、実質的な誤差が増える。実装では、検算可能な残差評価とともに数値安定性の確保が不可欠である。
3.3.3 束縛条件による暴走防止
推定が収束しても、物理的にあり得ないスケールへ飛ぶことがある。これを防ぐために、パラメータの上限下限や、単調性、符号制約などの束縛条件を設ける。束縛は、単なる安全策ではなく、観測モデルの縮退が起きる領域で特に効く。たとえば参照点がほぼ一直線に配置されると幾何拘束が弱くなり、スケール推定が不安定になることがある。このような場合、束縛により暴走を抑えられるが、その代わりバイアスが混入する可能性があるため、制約の根拠と効果を評価する必要がある。
4 評価・応用・限界
4.1 評価指標と検証方法
4.1.1 推定精度（誤差指標）
推定精度は、予測したスケールと真値（または参照値）の差として評価する。誤差指標には、絶対誤差や相対誤差、対数誤差などがあり、スケールの定義（倍率か量か）に応じて適切な尺度が選ばれる。倍率なら対数領域での誤差が解釈しやすい場合がある。地理や寸法のように分布の広い値域では、極端値の影響を抑える指標が有利になることがある。評価ではデータ分割（訓練と検証）や、条件ごとの集計（距離帯、撮影角度帯など）も行い、性能が偏っていないかを確認する。
4.1.2 外れ値率・頑健性の評価
頑健性は、外れ値の割合を変えたときの性能低下の度合いで評価される。人工的に外れを注入するベンチマークや、データ品質が異なる複数環境での比較が用いられる。頑健推定では、外れ値が増えても推定値の中心が大きく動かないこと、信頼区間が妥当な幅で広がることが望ましい。さらに計算の観点では、外れ値が多いと反復回数や処理時間が増えることがあるため、精度と効率を同時に評価する必要がある。
4.1.3 不確実性の較正（校正）
不確実性の較正は、予測した区間や確率が現実の誤差分布と整合しているかを検証する。たとえば信頼区間に含まれる頻度が、期待されたレベルに一致しているかを確認する。較正が不十分だと、区間が狭すぎて見逃しが増える、あるいは広すぎて意思決定に使えない、といった問題が生じる。較正は事前分布や誤差モデルの仮定に敏感であり、追加の校正手順（後処理）を用いることもある。実装では、誤差の種類（偶然誤差か系統誤差か）を分けて考えると解釈がしやすい。
4.2 応用領域の例
4.2.1 画像・映像（距離・大きさの推定）
画像や映像では、スケール推定が距離計測やサイズ推定に直結する。単眼画像では絶対距離の決定が難しいことが多く、参照が必要になる一方、複数フレームや既知の幾何拘束があると推定が進む。距離や大きさは、投影幾何、視差、既知の物体寸法などを根拠に復元されることが多い。実装上は、特徴点の安定性、動きの少ない領域での情報不足、照明変化による対応誤差が主要な課題になる。推定結果の評価では、同一環境内だけでなく、撮影条件の変化に対する頑健性も重要になる。
4.2.2 地理・地球科学（空間規模の推定）
地理や地球科学では、空間規模の復元が重要になる。衛星画像や航空データでは解像度、視野、取得条件により見かけが変化し、スケールは観測幾何や補正の影響を受ける。たとえば地表の広がりや分布のスケールを推定する際には、投影変換や大気・観測応答の要因がモデルに入る。さらに参照として地図データや既知の地物が使われることがあるが、その参照自体の誤差も考慮が必要である。評価では、地物の境界誤差、スケールが小さい領域での検出限界など、データ生成過程に起因する制約を切り分ける。
4.2.3 工学計測（寸法・量のスケール化）
工学計測では、センサ出力から実寸や量へ変換するためにスケール推定が用いられる。寸法の推定では、キャリブレーション曲線、投影歪み、加工誤差の影響を取り込む必要がある。量のスケール化では、感度のばらつきやドリフトが問題になり、時間変化や環境条件を扱う設計が求められる。評価では、再現性（同じ条件でのばらつき）と一致性（参照との整合）を分けて見ることが多い。さらに工程に組み込む場合は、計測の不確実性を見積もり、それに基づく許容判定を行うことが実務上の価値になる。
4.3 限界と注意点
4.3.1 参照情報が弱い場合の不定性
参照が乏しいと、スケールの識別が難しくなり、解が複数の整合条件にまたがる不定性が生じる。相対推定では特に、スケールを一意に決めるための固定基準が欠落しやすい。不定性が大きい場合、推定結果は観測ノイズに強く影響され、信頼区間も広がる。対策としては、参照を増やす、拘束の形を変える（別の観測を組み合わせる）、事前知識を事前分布や正則化として導入する、といった工夫が必要になる。
4.3.2 モデル誤設定による系統誤差
誤差モデルや変換モデルの仮定が現実と合わないと、推定の中心がずれて系統誤差として現れる。たとえば実際の誤差がヘビーテイルで外れ値が多いのにガウス誤差を仮定すると、過度に外れの影響を受ける場合がある。射影や歪みのモデルが簡略すぎる場合も、残差が小さく見えても実際のスケールは歪む。対策は、残差の形状検査、予測分布による検証、異なる条件での再現性評価である。特に系統誤差は見逃されやすいため、較正の観点を含めて確認することが重要である。
4.3.3 相互依存するパラメータの識別性
スケールはしばしば他のパラメータと同時に推定され、相互依存が強いと識別性が損なわれる。たとえばカメラの内部パラメータ、姿勢、歪みと距離スケールが絡むと、観測から分離できない組み合わせが生じることがある。識別性が弱い場合、推定値は揺れやすく、相関が高い方向に自由度が残るため、解釈が難しくなる。対策としては、既知パラメータを固定する、観測条件を変えて追加の拘束を得る、パラメータを段階的に推定するなどがある。最終的な不確実性評価では、相関を含めた形で示すことが望ましい。