物体ごとの再構築では、生成されたメッシュを編集可能なプロキシとしてキャプチャ済みのシーンに挿入し、観測された物体を表現する手法が増えている。この使い方には、孤立した資産スコアや姿勢推定には存在しない要件が生じる。すなわち、キャプチャされたメトリック状態において、プロキシは同一インスタンスのキャリブレーション済み観測を再現すべきだという要件である。論文が提案する ObjectTwin は、この要件を直接問うためのスキャン基準の測定プロトコルである。
ObjectTwin の中心的な考え方は、変数を固定し、測定対象だけを置き換えることにある。プロトコルはインスタンス、カメラ、スキャン投影によって得られるサポート領域、記録された深度、メトリックアンカー、そして評価分母を凍結し、そのうえで物体表現のみを差し替える。こうして得られる資産対応ギャップは、スキャンから導出された可視形状を基準として、観測一致がどれだけ失われたかを測る。同時に、スキャンを完全な物理的真値とはみなさない立場をとるため、評価基準を過度に厳しく設定しない設計になっている。
この設計により、キャプチャ対応性は資産品質の評価から切り離され、独立して測れる量になる。従来の生成資産評価は孤立した資産スコアや姿勢推定に依存してきたが、それらは「特定のキャプチャ状態において、プロキシが同一インスタンスのキャリブレーション済み観測を本当に再現しているか」という問いには答えられない。ObjectTwin は物体表現以外のすべての要因を固定することで、このギャップを個別に測定・比較可能にし、生成資産の品質と、より強い物理レベルまたはタスクレベルの評価との間に測定可能なインターフェースを築く。
実験は2つの屋内 RGB-D キャプチャ領域と2つの生成バックエンドを対象に行われた。結果として、可視かつアンカーされた生成資産は置換後に MaskIoU を 0.302 から 0.497 まで失った。すべてのテストされたシーンレベルの推定値は正であり、このギャップが特定の設定に限った偶発的なものではないことを示す。一方で、同一入力に対する生成器の選好はキャプチャ領域間で逆転する。つまり、単一のキャプチャ領域から得られた選好の結論をそのまま一般化することは難しい。
論文はさらに、カバレッジ分析と重なり深度分析によって不一致の所在を特定している。不一致は可視サポートと表面配置の両方に現れる。すなわち、生成資産がスキャンで見えているサポート領域を覆えていないという問題と、その表面が深度方向に正確に配置されていないという問題の双方が含まれる。研究では保守的な姿勢精緻化の手法も評価されたが、このギャップを体系的に回復することはできなかった。後処理による姿勢調整だけではキャプチャ対応性の欠落を埋め合わせるには不十分だということを示している。
これらの結果の意義は、キャプチャ対応性を独立に測定可能な指標として確立した点にある。それは生成資産品質と、より強い物理的・タスクレベル評価の中間に位置し、孤立したスコアでは見えない問題を明らかにする。キャプチャにアンカーされたデジタルツインを構築するワークフローにとって、生成メッシュを編集可能なプロキシとして使う前に、特定のキャプチャ状態における観測一致を専用に検証する必要があることを意味する。資産レベルのスコアや姿勢推定の結果だけに頼るべきではない。本論文はコンピュータビジョンとパターン認識の分野に属し、2026年9月30日に arXiv へ投稿された。番号は arXiv:2610.35904 である。