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。