近年、視覚基礎モデルは画像分類や物体検出など多くのタスクで顕著な成果を上げているが、これらのモデルが本当に3次元世界の幾何構造を理解しているのかは不明であった。従来の研究では、深度マップや法線マップの回帰を通じてモデルの3次元認識能力を評価していたが、これらの手法は明示的な3次元ラベルに依存し、モデル内部の表現の本質を捉えきれていなかった。最新の研究「SeeSE3: Emergence of 3D Space in Vision Features」は、視覚特徴空間の構造と3次元ユークリッド変換群SE(3)との関係をトポロジー的・幾何学的両面から分析する新たなアプローチを提案する。
著者らは二つのプローブを考案した。一つ目は相互近傍指標であり、特徴空間における近傍関係が実空間のトポロジーとどれだけ一致するかを測定する。具体的には、3次元空間で近接する二つの画像パッチが、潜在空間でも近い特徴ベクトルを持つかを評価する。二つ目はポアンカレアダプターであり、静的シーンにおける特徴ベクトルの変位からカメラ運動の幾何学を線形に解釈できるかをテストする。実験の結果、自己教師あり学習で訓練された視覚モデル（DINOやMAEなど）は、一切の3次元ラベルや能動的インタラクションを与えられていないにもかかわらず、その潜在部分空間に3次元ユークリッド空間と強く相関する情報を内包していることが明らかになった。
この発見を基に、研究チームは「潜在空間ナビゲーション」と呼ばれる新技術を提案した。これは明示的な3次元再構成を経ずに、潜在空間のみで視覚オドメトリと位置推定を実行する手法である。連続するフレーム間の特徴ベクトルの変位を分析することで、カメラの運動軌跡を直接推定できる。このアプローチは計算コストを大幅に削減し、精密な3次元データへの依存を排除するため、ロボットナビゲーション、拡張現実、自動運転などの分野に革命的な軽量ソリューションをもたらす可能性がある。
ただし、この研究は明示的な3次元再構成の価値を否定するものではなく、より基盤的な幾何表現能力の存在を明らかにした点に意義がある。今後の課題として、この暗黙の幾何知識を既存モデルの改良に活用する方法や、動的シーンや複雑なインタラクションへの拡張が挙げられる。また、自己教師あり学習がなぜ3次元構造を自発的に獲得できるのかという理論的な問いは、表現学習の基礎研究に新たな方向性を示すものである。