本稿は、Arquimea Research Center の Borja Carrillo-Perez 氏による技術報告であり、2026 年 5 月 21 日に arXiv へ投稿された。分類はコンピュータビジョンおよびパターン認識（cs.CV）で、CVPR 2026 ワークショップで開催される MaCVi 2026 Vision-to-Chart データ対応付けチャレンジへの参加技術報告としてまとめられている。報告は 5 ページ・図 3 点の構成で、コードのリンクも公開されており、同チャレンジのリーダーボードでは全提出中 2 位の成績を収めている。
本研究が扱うのは、海上の視覚認識における重要な要素である、カメラ画像中で検出されたブイと、海図に記録されたブイ実体とを正しく対応付ける問題である。チャレンジが提供するベースラインは DETR アーキテクチャに基づく融合 Transformer であり、そのデコーダはブイごとのクエリを受け取る。このクエリには世界座標系における距離と方位が符号化されているが、世界座標から画像画素への複雑な投影関係は Transformer 自身が暗黙に学習しなければならず、デコーダにとって大きな幾何推論の負担となっていた。
著者のアプローチは明快かつ軽量である。ベースラインの主要構造には手を加えず、専用の多層パーセプトロン（MLP）を追加で学習させる。このネットワークは QueryMLP と呼ばれ、海図の計測値と IMU の姿勢・方位データを入力として、画像中におけるブイの喫水線接触点の画素座標を明示的に予測する。予測された画素座標はベースラインデコーダのクエリベクトルに付加されるため、各ブイのクエリは直接的な空間事前情報を得ることになり、デコーダが世界座標から画像への投影を一から推論する必要がなくなる。結果として幾何推論の難易度が大きく下がる。
チャレンジのホールドアウトテストセットにおいて、本手法は Overall スコア 0.7386、F1 0.8055、mIoU 0.6718 を記録し、全提出中 2 位となった。報告では、この改善がベースラインに対するごく小さな変更で達成されており、アーキテクチャ全体の再設計ではなく軽量な拡張であることが強調されている。
より広い観点では、この研究はエンドツーエンドの深層学習システムに明示的な幾何事前情報を導入する有効な方策を示している。物理的・幾何的に明確な意味を持つ変換関係であれば、専用の小さなモジュールで直接学習する方が、大規模な注意機構モデルが潜在空間で近似的に獲得するよりも効率的で安定しやすい。海上状況把握、自律航行、海図データ融合といった応用において、視覚情報と海図を確実に対応付ける能力は実用的な価値を持つ。ただし、現時点の報告は単一のチャレンジ環境での評価結果にとどまっており、異なるセンサ構成、海況、海域における汎化性能については今後さらなる検証が必要である。