本セミナーでは、視覚基盤モデル（Vision Foundation Model）を技術者向けに解説します。この技術は視覚言語モデル（VLM）、視覚言語行動モデル（VLA）へと発展し、実世界との接点としてPhysical AI（Embodied AI）への適用が注目されています。そこで視覚基盤モデルの技術を解説し、工学分野・製造業に与える影響を考察します。

　

　

　1　視覚基盤モデルの重要性
　　　1.1　外界を認識し、行動する上で「見る」ことの重要性
　　　1.2　深層学習の深化：物体検出、領域分割など視覚タスクの広がり
　　　1.3　タスクごとのモデルから基盤モデルへの進化
　　　1.4　自動運転、ロボット、製造業における応用

　2　自己教師あり学習
　　　2.1　自己教師あり学習（Self-supervised Learning）の意義
　　　2.2　自己教師あり学習手法（対比学習: Contrastive Learning）
　　　2.3　マスク画像モデリング（Masked Auto-encoder）
　　　2.4　自然言語処理分野での成功（BERT、GPT）の波及

　3　Transformerのインパクトとマルチモーダル学習
　　　3.1　画像分野におけるTransformer のインパクト
　　　3.2　マルチモーダル学習：画像とテキストの融合（CLIP）
　　　3.3　視覚言語モデル（Vision Language Model）における言語の役割
　　　3.4　外観検査への視覚言語モデルの応用：汎用外観検査
　　　3.5　集約型視覚基盤モデル：AM-RADIO [CVPR2024]、 RADIO-v2 [CVPR2025]

　4　三次元（3D）世界への拡張：3D表現学習
　　　4.1　二次元（2D）視覚からの発展：なぜ3D理解が重要なのか？
　　　4.2　三次元表現手法（その1）：Neural Radiance Fields（NeRFs）
　　　4.3　三次元表現手法（その2）：3D Gaussian Splatting
　　　4.4　スチューデントt分布の適用：3D Student Splatting and Scooping [CVPR2025]
　　　4.5　VGGT：Visual Geometry Grounded Transformer [CVPR2025]
　　　4.6　CADとの連携：CADTalk [CVPR2024]、CADDreamer[CVPR2025]

　5　行動理解とロボティクスへの視覚基盤モデルの応用
　　　5.1　動画像からの人間動作理解：視覚の役割深化
　　　5.2　マークと軌跡の利用（Set-of-Mark：SoM、Trace-of-Mark：ToM)
　　　5.3　Magma: A Foundation Model for Multimodal AI Agents [CVPR 2025]
　　　5.4　ロボットシミュレーションにおけるVLA（Vision-Language-Action）モデル
　　　5.5　言語による汎化性＋推論による行動計画・実行の進化
　　　5.6　UI ナビゲーションから点検作業支援／安全管理への発展の可能性

注）テキストからの画像生成は時間の関係で扱いません。