ECCV 2026口頭論文：3D視覚AIの情報を「ばらつき」でなく「範囲」で削減——CoverPrune

結論から言うと、3D空間を理解する視覚・言語AIでは、似た情報を機械的に捨てるより、場面全体の「証拠をどれだけ覆えるか」で残す情報を選ぶ方が、少ない計算で空間推論を保ちやすい。2026年8月13日にarXivで公開され、ECCV 2026の口頭論文に採択されたCoverPruneは、3D VLMが扱う大量の視覚トークンを、追加学習なしで推論時に削減する手法である。

視覚トークンは、画像や3D場面をAIが計算できる小さな情報単位に分けたものだ。従来の多様性重視の方法は、互いに似ていない情報を残そうとするため、珍しい外れ値を選び、複数視点に共通する代表的な物体や位置関係を落とすことがある。CoverPruneは最適輸送という数理的な考え方を使い、特徴、空間、時間の距離をまとめた費用から、場面の証拠を広く代表する集合を選ぶ。

組み合わせを全て試すのは重いため、空間情報を使う貪欲選択で近似し、さらに処理を軽くしたCoverPrune-Liteも用意した。複数の3D視覚・空間推論ベンチマークで、強く削減した条件でも推論性能を保ち、論文が比較した中で最高水準のトークン効率を報告する。ロボットや3D案内の開発では、モデルを再学習せず推論負荷を下げる選択肢になり得る。

ただし要旨には具体的な削減率、速度、機器別の消費電力がなく、実環境での効果は公開コードと本文で条件を確認する必要がある。