人間の視覚知覚の中心には、外部世界を連続的かつ一貫して理解し続ける能力がある。人間の視覚システムは、観察と蓄積された経験を統合することで、目標とその周囲環境の変化に適応し、場面のダイナミクスが進展しても堅牢な視覚的連続性を保つことができる。したがって人間の視覚は、事前知識、空間幾何、意味的文脈を統合して複雑な場面とその変化を理解する。コンピュータビジョンの中核問題である視覚物体追跡は、機械知覚を人間の視覚知覚に近づけることを目指しており、これらの能力は汎用物体追跡（GOT）の中心にある。
GOTタスクでは、追跡器は最初のフレームで任意に指定された目標のバウンディングボックスのみで初期化され、その後の動的視覚ストリームで目標を継続的に位置特定しなければならない。しかし未来の事象、観測、実世界の変化は本質的に予測不能であるため、モデルの汎化能力とオンライン適応能力がボトルネックであり続けている。目標が激しく変形した場合、複雑な妨害物の影響を受けた場合、大きな環境変化に遭遇した場合、または訓練時に見なかったカテゴリに属する場合、追跡の信頼性は低下しうる。
本博士論文は、目標識別、堅牢な適応、幾何学的推論の能力を体系的に強化する一連の手法を提案することで、機械視覚追跡システムと人間の視覚知覚のギャップを縮めることを目的とする。論文は2026年7月1日にarXivに投稿され、著者はShih-Fang Chen、国立陽明交通大学の2026年博士論文である。計算機視覚とパターン認識、人工知能、機械学習、マルチメディア、画像・映像処理にまたがり、ACM分類はI.4.8およびI.2.10である。
特筆すべきは、arXiv管理者の注記により、本論文がarXiv:2602.14771と大幅なテキスト重複があることが示されている点である。全文は約35,923 KBで、PDFと実験的HTML版が提供され、DOIは10.34745/arXiv.2607.01395、DataCite登録待ちである。