新時代の視覚生成：アトミック・マッピングからエージェント的なワールドモデリングへ

要旨: 近年の視覚生成モデルは、フォоторリアリズム、タイポグラフィ、指示追従、インタラクティブ編集において大きな進展を遂げてきました。しかし、それでもなお、空間推論、持続的な状態、長期ホライゾンにわたる一貫性、そして因果理解に困難を抱えています。本研究では、当該分野は、見た目の合成を超えて、知的な視覚生成へと移行すべきだと主張します。すなわち、構造、ダイナミクス、ドメイン知識、因果関係に根ざした、もっともらしい視覚表現を生成することです。この転換を位置づけるために、5段階の分類法を導入します。すなわち、原子生成（Atomic Generation）、条件付き生成（Conditional Generation）、コンテキスト内生成（In-Context Generation）、エージェント生成（Agentic Generation）、世界モデル化生成（World-Modeling Generation）です。これは、受動的なレンダラーから、インタラクティブでエージェント的、かつ世界を理解した生成器へと段階的に進むものです。フロー整合（flow matching）、理解と生成を統一したモデル、改善された視覚表現、事後訓練（post-training）、報酬モデリング（reward modeling）、データのキュレーション、合成データ蒸留（synthetic data distillation）、サンプリングの高速化といった主要な技術的要因を分析します。さらに、現在の評価は、知覚的な品質を強調することで進展を過大評価しがちであり、構造的、時間的、因果的な失敗が見落とされていることを示します。ベンチマークのレビュー、野外（in-the-wild）でのストレステスト、そして専門家による制約付きのケーススタディを組み合わせることで、このロードマップは、次世代の知的視覚生成システムを理解し、評価し、発展させるための、能力中心のレンズを提供します。