DeepMind、4D再構成・トラッキングを統合した新モデル「D4RT」を発表

Google DeepMindは、動画データから空間（3D）と時間の変化を統合的に扱う「4D再構成・トラッキング」を効率的に行う新モデル「D4RT」を発表しました。AIが世界を4次元的に理解するための基盤技術として位置づけられています。

D4RTとは何か

4D再構成とは、動画に映る物体やシーンの3次元的な形状に加え、時間経過に伴う動きや変化までを同時に捉える技術です。従来はシーンの再構成と物体のトラッキング（追跡）が別々の処理として扱われることが多く、計算コストが高いことが課題でした。D4RTはこれらを統一的なフレームワークで扱うことで、処理を大幅に効率化しています。

従来比最大300倍の高速化

DeepMindによれば、D4RTは従来の手法と比較して最大300倍の速度で4D再構成とトラッキングを実行できるとしています。これにより、リアルタイム性が求められるロボティクスや拡張現実（AR）、自動運転などの分野での応用可能性が広がると期待されます。

意義と今後の展望

動画から空間と時間の両方を正確に理解する能力は、AIが物理世界を認識し、行動を計画する上で重要な基盤となります。D4RTのような統合的かつ高速な4Dシーン理解技術は、今後のロボット制御やシミュレーション、世界モデルの構築などに活用されていく可能性があります。