松下控股兩篇論文獲 AI 與電腦視覺頂級會議 CVPR 2026 錄取

松下控股株式會社（以下簡稱 Panasonic HD）宣布，其在 AI 與電腦視覺領域的全球頂級國際會議 CVPR 2026 中有兩篇論文獲錄取，其中一篇更因研究卓越被選為「Highlight」。這些研究成果將於 2026 年 6 月 3 日至 6 月 7 日在美國科羅拉多州舉行的會議上發表。

【錄取論文概要】

論文 1：支援物理 AI 實用化的高效空間識別技術 透過高效壓縮 3D 空間資訊的技術，實現了處理資訊量減少與高空間識別能力的並存。這將有助於機器人與物理 AI 等在現實世界中運作的 AI 技術進一步升級。

＜背景＞ 近年來，能讓機器人與機械識別現實環境、進行判斷並自主行動的「物理 AI」備受關注。要實現此目標，必須具備掌握物體間位置關係等高度空間識別能力，並期待多模態 AI 的進一步進化。然而，傳統使用多模態 AI 的空間識別技術面臨著保持空間資訊所需的運算量容易增加的問題。

＜技術特點＞ 本技術結合了透過聚類（Clustering）進行的高效特徵表示壓縮，以及分階段的空間識別學習，在抑制多模態 AI 處理空間資訊量的同時，實現了與其他方法相當甚至更優的空間識別性能。例如，傳統 3D 空間識別方法部分需要輸入約 8,000 個 Token 的空間資訊，而本技術僅需 700 個 Token 即可表現 3D 空間。本技術將有助於現實世界中 AI 的未來即時處理應用，以及需要 3D 空間識別與理解位置關係的廣泛領域實用化。

論文 2：降低 AI 開發成本與時間，實現高效學習的 Portable Active Learning (PAL) 這是一項在大幅降低 AI 開發最大瓶頸——標註（Annotation）成本的同時，實現高精度物體檢測的技術。在 CVPR 2026 中，該研究因創新性、技術完成度與未來潛力受到高度評價，被選為錄取論文中的「Highlight」。

＜背景＞ AI 影像識別技術已廣泛應用於自動駕駛、工廠檢測與監控系統等領域。然而，開發高性能 AI 需要對大量影像進行人工標註（標記出「何處有何物」），這項作業耗時且成本高昂。

＜技術特點＞ 此次開發的「Portable Active Learning (PAL)」整合評估了不確定性、影像多樣性與類別不平衡等多個要素，自動判斷 AI「應優先學習哪些影像」。因此，與傳統方法相比，平均減少了約 20% 的標註工作量，並實現了同等以上的識別性能。此外，本技術採用隨插即用（plug-and-play）設計，可直接應用於各種 AI 物體檢測模型，無需進行傳統方法中常見的模型改造。這將有助於自動駕駛、邊緣 AI、基礎設施檢測與工廠檢測等領域的 AI 導入成本降低與開發效率提升。

今後，Panasonic HD 將持續加速 AI 的社會實裝，推動有助於客戶生活與工作現場的 AI 技術研究與開發。