「検出モデルを学習すれば UX が改善するはず」という見込みには、2つの独立なリスクが混在している。(1) モデルの検出品質、(2) アーキテクチャ（推論レイテンシ・補間・寿命管理）の成立性。学習にはデータ作成・訓練の投資がかかるので、先に (2) だけを切り出して検証すると、投資前に Go/No-Go を判定できる。

手順

1. 正解位置つきの評価シーケンス（合成モーション等）上で、学習予定モデルを「理想検出器」（GT + 現実的なノイズ: 中心ジッタ数%・ドロップアウト数%）で置換する
2. 推論レイテンシは実機実測値を使い、感度（実測±50%）も振る。トラッカー補間・表示寿命など実装予定の時系列処理をそのままシミュレートする
3. 表示可用率・位置精度(IoU)・ゴースト率・表示の出入りを採点し、現行構成の同一シーケンス実測と比較する
4. 理想検出器でも成立しないなら学習は無駄（アーキテクチャか実行基盤を先に直す）。成立するなら残リスクはモデル品質のみに局所化され、事前合格基準（未見セット検出率等）でゲートできる

効用

• 学習インフラ・アノテーションの投資判断が「予測」でなく「アーキテクチャ側は数値で確認済み」になる
• レイテンシ予算（どの推論速度まで許容できるか）が先に決まるので、モデルサイズ選定の制約条件になる
• 理想検出器の数値は上限値であることを明記して扱う（実モデルは必ずこれを下回る）