ランキング（注目度スコア）
スコア算出日: 2026-06-21
合計スコア = √(HF Upvotes) + √(GitHub Stars) + cvFactor + venueBonus（HF・Stars が 0 のとき各 √ 項は 0、cvFactor は LLM による 100 点満点、venueBonus は学会採択加点）（算定方法の詳細）
2020年 注目論文ランキング
Spatial Computing Weekly の創刊にあたり、私たちはコンピュータビジョンの歴史において「転換点」となった時代を振り返ることにしました。その中心となるのが、今から数年前の「2020年」です。
この年は、従来の幾何学的な3D再構築のパラダイムが、ニューラルネットワークを用いた「Implicit Representation（暗黙的表現）」へと劇的にシフトした歴史的な年でした。特にNeRFの登場は、単なる技術革ックを超え、画像合成と空間認識のあり方を根本から変えました。本レポートでは、当時の熱狂を象徴する20の重要論文を厳選し、その技術的価値と歴史的意義を総括します。
トップ5の深掘り
【第1位】NeRF: Representing Scenes as Neural Radiance Fields for View Synthesis
概要 少数の入力画像から、任意の視点におけるフォトリアルな画像を生成する手法を提案。連続的な5次元座標（位置と方向）を入力とし、ボリューム密度と放射輝度を出力するニューラルネットワークを用いてシーンを表現します。
新規性 従来のメッシュや点群といった明示的な構造ではなく、ニューラルネットワークの重み自体にシーンの情報を埋め込む「Neural Radiance Fields」という概念を確立しました。
なぜ選ばれたか（スコア内訳を数字で） GitHubでの10,902ものスター獲得に加え、cvFactor 98という極めて高い技術的インパクトを記録。ECCV 2020への採択を経て、その後の3D研究の全ての礎となったため第1位となりました。（合計スコア: 218.83）
関連リンク: arXiv | Hugging Face | GitHub
【第2位】3D Photography using Context-aware Layered Depth Inpainting
概要 単一のRGB-D画像から、欠損部分を補完した「3D写真」を作成する手法。レイヤー化された深度画像を用いて、視点移動時に見えてしまう遮蔽領域を文脈に沿ってインペインティング（補完）します。
新規性 単なる深度推定にとどまらず、遮蔽領域の色彩と構造を空間的に整合性を保ちながら生成する高度なインペインティング技術を統合しました。
なぜ選ばれたか（スコア内訳を数字で） GitHubでの7,075スター獲得という圧倒的な注目度と、CVPR 2020における高い評価が決め手となりました。（合計スコア: 184.11）
関連リンク: arXiv | Hugging Face | GitHub
【第3位】Nerfies: Deformable Neural Radiance Fields
概要 スマートフォンで撮影されたカジュアルなビデオから、変形する物体（人間など）をフォトリアルに再構築する手法。NeRFを拡張し、変形フィールド（Deformation Field）を最適化することで動的なシーンに対応します。
新規性 静的なシーンを対象としていたNeRFに対し、時空間的な変形を扱うための「coarse-to-fine」な最適化手法を導入しました。
なぜ選ばれたか（スコア内訳を数字で） GitHubでの1,960スターを獲得。動的なシーンへのNeRFの応用可能性を決定づけた研究として、ICCV 2021での評価を含め高く支持されました。（合計スコア: 148.27）
関連リンク: arXiv | Hugging Face | GitHub
【第4位】pixelNeRF: Neural Radiance Fields from One or Few Images
概要 たった1枚、あるいは極めて少ない数の画像から、連続的なニューラルシーン表現を予測するフレームワーク。
新規性 従来のNeRFが「個別のシーンごとに最適化が必要」だったのに対し、畳み込み的な手法を用いて画像入力に条件付けることで、未知のシーンへの汎化性能を飛躍的に高めました。
なぜ選ばれたか（スコア内訳を数字で） GitHubでの1,465スターを獲得。CVPR 2021への採択を含め、学習済みモデルによる「Few-shot」な3D生成の道を開いた点が評価されました。（合計スコア: 141.28）
関連リンク: arXiv | Hugging Face | GitHub
【第5位】Consistent Video Depth Estimation
概要 単眼ビデオから、全てのピクセルに対して幾何学的に一貫した高密度な深度を再構築するアルゴリズム。
新規性 従来のSfM（Structure-from-Motion）による幾何学的制約と、CNNを用いた単一画像深度推定の学習済み事前知識を巧みに融合させました。
なぜ選ばれたか（スコア内訳を数字で） GitHubでの1,638スターを獲得。SIGGRAPH 2020において、ビデオにおける深度一貫性の課題に対する強力な解法を提示しました。（合計スコア: 133.47）
関連リンク: arXiv | Hugging Face | GitHub
第6位〜第20位 クイックレビュー
【第6位】Revisiting Stereo Depth Estimation From a Sequence-to-Sequence Perspective with Transformers Transformerをステレオ深度推定に導入し、シーケンスとしての整合性を高める手法。 関連リンク: arXiv | Hugging Face | GitHub
【第7位】Neural Body: Implicit Neural Representations with Structured Latent Codes for Novel View Synthesis of Dynamic Humans 動的な人間に対して、構造化された潜在コードを用いた暗黙的表現による新規視点合成を実現。 関連リンク: arXiv | Hugging Face | GitHub
【第8位】One Shot 3D Photography わずか一枚の画像から、視点変更可能な3D写真を作成する高度な手法。 関連リンク: arXiv | Hugging Face | GitHub
【第9位】GRF: Learning a General Radiance Field for 3D Representation and Rendering 汎用的な放射輝度場を学習し、効率的な3D表現とレンダリングを実現する研究。 関連リンク: arXiv | Hugging Face | GitHub
【第10位】Iso-Points: Optimizing Neural Implicit Surfaces with Hybrid Representations ハイブリッドな表現を用いることで、ニューラル暗黙曲面の最適化を高度化した手法。 関連リンク: arXiv | Hugging Face | GitHub
【第11位】Stable View Synthesis 視点合成における一貫性と安定性を向上させるための新しいアプローチ。 関連リンク: arXiv | Hugging Face | GitHub
【第12位】Neural Radiance Flow for 4D View Synthesis and Video Processing 4D（動的シーン）の視点合成に向けた、ニューラル放射輝度フローの提案。 関連リンク: arXiv | Hugging Face | GitHub
【第13位】PatchmatchNet: Learned Multi-View Patchmatch Stereo 伝統的なPatchmatchアルゴリズムに学習ベースの手法を統合したマルチビューステレオ。 関連リンク: arXiv | Hugging Face | GitHub
【第14位】Rotate-and-Render: Unsupervised Photorealistic Face Rotation from Single-View Images 単一画像から、教師なしでフォトリアルな顔の回転を実現する手法。 関連リンク: arXiv | Hugging Face | GitHub
【第15位】HR-Depth: High Resolution Self-Supervised Monocular Depth Estimation 自己教師あり学習を用いた、高解像度な単眼深度推定技術。 関連リンク: arXiv | Hugging Face | GitHub
【第16位】GRAF: Generative Radiance Fields for 3D-Aware Image Synthesis 3Dを意識した画像合成を行うための、生成的な放射輝度場の構築。 関連リンク: arXiv | Hugging Face | GitHub
【第17位】End-to-End Pseudo-LiDAR for Image-Based 3D Object Detection 画像から擬似的なLiDAR点群を生成し、3D物体検出を行うエンドツーエンドな手法。 関連リンク: arXiv | Hugging Face | GitHub
【第18位】Non-Local Spatial Propagation Network for Depth Completion 非局所的な空間伝播を用いることで、精度の高い深度補完を実現。 関連リンク: arXiv | Hugging Face
【第19位】Self-Supervised Monocular 3D Face Reconstruction by Occlusion-Aware Multi-view Geometry Consistency 遮蔽を考慮した幾何的一貫性により、単眼での3D顔再構築を行う自己教師あり手法。 関連リンク: arXiv | Hugging Face
【第20位】Neural Sparse Voxel Fields スパースなヴォクセル表現を用いた、効率的なニューラルシーン構築。 関連リンク: arXiv | Hugging Face
編集後記
2020年の研究を振り返ると、一つの共通したキーワードが見えてきます。それは「Neural-driven Geometry」です。従来の幾何学的な厳密さに、ニューラルネットワークの強力な表現力が融合することで、これまで不可能だった「滑らかでフォトリアルな3D生成」が可能になりました。
この歴史的な転換点を整理することは、これからのAIがどのように物理世界を理解していくのかを予測する上で極めて重要です。次週からは、より具体的な技術分野にフォーカスした「週刊ランキング」を開始します。最新のトレンドを逃さないよう、ぜひご期待ください。