エゴセントリック・カメラ姿勢推定のための適応的ジオデシック・確率的（共形）予測

要旨: 拡張現実（AR）および支援デバイスにおける自己中心的な姿勢推定では、単に正確な予測が必要なだけでなく、確実性のある不確実性領域（uncertainty regions）が求められます。適合予測（Conformal Prediction; CP）は再学習なしでそのような保証を提供しますが、固定した単一の閾値を用いる標準的なCPは、全体のカバレッジ（coverage）を名目上90%に保つ一方で、最も難しい25%のフレーム（Q4）のうちカバーできるのは約60%にとどまることを示します──この条件付きカバレッジのギャップは、12人の参加者、3つの予測器（predictors）、3つの地平（horizons）にわたって一貫して約30パーセントポイントであり（EPIC-Fieldsにおける108評価）、確認されます。さらに、測地線（geodesic）のSE(3) 非適合度スコアが、ユークリッド（Euclidean）スコアに比べて、物理的により難しいフレームを特定できることも示します。測地線に基づくQ4では、Q4の重なりが15〜26%にしかならない一方で、地上真値（ground-truth）カメラの変位（displacement）は2〜3倍高くなります。カバレッジのギャップを埋めるために、DINOv2-Bridge に基づく適応的CP（adaptive CP）を提案します。これは、単一のソース参加者で訓練された2段階の難易度推定器であり、テスト時には画像を一切用いずに参加者をまたいで転移します。その結果、Q4のカバレッジを約0.75から約0.93へと改善しつつ、全体のカバレッジを90%という目標値に維持します。