インスタンス認識タスク（物体検出、インスタンスセグメンテーション、姿勢推定、個数カウントなど）は、視覚モデルの産業応用において重要な役割を果たしている。教師あり学習手法は高コストなラベル付けを要するため、限られたラベル付き例から効果的に学習できる少サンプル学習（few-shot learning）手法が求められている。既存の少サンプル学習手法は、主に限定されたタスクセットに焦点を当てており、多様なタスクを統一的な枠組みで表現できる汎用モデルの設計における課題がその背景にあると考えられる。本論文では、これらの多様なインスタンス認識タスクを動的ポイント表現学習フレームワークに再定式化することで、広範なタスクを統合する汎用的少サンプルインスタンス認識モデル「UniFS」を提案する。さらに、ポイント間の高次の構造的関係を活用して表現学習を強化する「構造意識型ポイント学習（Structure-Aware Point Learning, SAPL）」も提案する。本手法はタスクに関する最小限の仮定に依拠しつつも、高度に専門化され最適化された専門モデルと比較して競争力ある性能を達成している。コードとデータは https://github.com/jin-s13/UniFS にて公開されている。