[イーデイリーHan Kwangbeom 記者] チームネイバーが、世界3大コンピュータビジョン学会の一つである「ECCV（European Conference on Computer Vision）2026」に計23件の研究論文が採択された中、ネイバー（NAVER(035420) ）クラウドが、AIの「理解過程」と「評価体系」に注目した論文4編を公開しました。

ネイバークラウドは28日、今回のECCV 2026学会において、表面上のベンチマークスコアの裏に隠されたAIのコツや判断ミスを診断し、これを是正する学習法を提示したと明らかにしました。

まず、NAVERクラウドは、AIの映像理解能力を評価する既存のビデオベンチマークの欠点を分析しました（論文：Video-Oasis: Rethinking Evaluation of Video Understanding）。 既存の14のベンチマークを対象に、映像の削除やシーン順序の乱れなど6種類のテストを実施した結果、全問題の55％は映像をきちんと見なくても正解できることが判明しました。このような問題を除外して再評価したところ、主要モデルの精度は26～37％の水準にとどまりました。NAVER Cloudは、新しい評価基準を作る代わりに、既存の試験問題そのものを診断するツールを提示しました。

AIが物体に依存して行動を慣性的に判断してしまう問題についても取り上げました（論文：Why Can’t I Open My Drawer? Mitigating Object-Driven Shortcuts in Zero-Shot Compositional Action Recognition）。 AIが学習データにおいて「引き出し」が主に「閉じる」と組み合わされていることを学習した後、実際の動作を見ずに引き出しだけを見て「閉じる」と判断してしまうようなケースです。研究チームは、映像合成技術と逆再生学習法を導入し、追加データの収集やモデルの拡張を行うことなく、学習方法の改善だけで動作認識の精度を向上させました。

AIの弱点を逆手に取って精度を高めるマスク精製技術「フェニックス（Phoenix）」も発表しました（論文：Learning from Adversity: Semantic-Aware Mask Refinement through Adversarial Perturbation）。 AIを無力化する「敵対的攻撃」技術を活用し、AIが実際に混乱する領域の練習問題を自動生成しました。これにより、物体の輪郭抽出および微細領域の区別における精密分割性能を最大21%p向上させました。

画像内の3次元空間構造を言語モデルで学習させる研究「SpatialBoost」も発表しました（論文：SpatialBoost: Enhancing Visual Representation through Language-Guided Reasoning）。 2D写真から深度と位置情報を抽出して文章に変換した後、点・物体・シーン全体の順に空間理解を段階的に積み重ね、言語モデルを通じて視覚モジュールに注入する方式を採用しました。3Dデータの構築コストの負担を軽減しつつ、ロボットの操作および画像分類性能を同時に向上させました。

NAVER Cloudの関係者は、「今回採用された論文は、AIが実際に情報を適切に処理しているかを検証し、改善の方向性を提示したという点で意義がある」とし、「AIが情報を理解し判断する過程まで研究し、信頼できるAIエコシステムを構築していく」と述べました。