我々は、確率微分方程式（SDE）に基づくアイデアが、コンピュータビジョンにおける一連の問題に対する既存アルゴリズムの新たな改良をもたらす可能性について研究する。要するに、本研究の定式化は、データ拡張および群不変性（group equivariance）のための明示的・暗黙的戦略の両方と関連しているが、特定の確率過程の無限小生成子を推定するというSDE分野における最新の理論的成果に基づいている。もしアプリケーションやタスクの要求と、我々が効率的に扱える過程の本質的な性質および挙動の間に概ね一致が見られる場合、既存のネットワークアーキテクチャに最小限の変更とわずかな追加パラメータで統合可能な、非常にシンプルかつ効率的な「プラグイン層」が得られる。本研究では、少サンプル学習（few-shot learning）、ポイントクラウド変換器（point cloud transformers）、および深層変分セグメンテーション（deep variational segmentation）といった複数のビジョンタスクにおいて、効率性や性能の向上が期待できる有望な実験結果を示している。