スマートフォンで対象のまわりをぐるっと一周撮る — たったそれだけの動画から、コンピュータの中に立体（3Dモデル）を起こせる。専用のスキャナも高価な機材もいらない、そんな手軽な3D再構成の仕組みを、社内で試した実例とともに紹介します。
できあがるのは3種類のデータです。点の集まりで形を表す 「点群」、面（ポリゴン）で構成した 「メッシュ」、そして本物そっくりの見た目で自由に視点を変えられる 「写実モデル」。3Dアセット制作や検査・計測、AR/VR、機械学習用のデータづくりなど、使いみちは広がっています。
動画から3Dモデルへ ― 全体の流れ
動画を入れてから3Dモデルが出てくるまで、内部では大きく8つの処理が順番に走ります。まずは全体像から見てみましょう。
今回のポイントは2つあります。ひとつは、従来よく使われてきた COLMAP という古典的な手法を使わず、HunyuanWorld-Mirror というAIモデルで正確なカメラの位置・向きを一気に求めること。もうひとつは、仕上げに最新の 2D Gaussian Splatting（2DGS） を使って見た目の品質を高めることです。
全体の雰囲気は、こちらの解説動画（約2分・音声なし）でもご覧いただけます。このあとは、各工程をひとつずつ追っていきます。
まずは対象を一周ぐるりと撮影する
出発点は、ごく普通の動画です。対象を中心に、カメラがまわりを一周するように撮影します。あとはこの動画から複数枚の静止画を切り出すだけ — 今回は25枚を使いました。いろいろな角度から同じ対象をとらえた写真群が、立体を起こすための材料になります。
1枚ずつ「奥行き」と「面の向き」を読み取る
次に、AIが切り出した画像の1枚1枚から、ピクセルごとの “奥行き”（カメラからの距離＝深度）と、“面の向き”（法線）を推定します。下の図は、左が元画像、中央が深度（暖色ほど手前）、右が法線を色で表したもの。この情報が、平面の写真を立体へと持ち上げるための手がかりになります。
複数の視点を3Dにまとめて揃える
ここが処理の心臓部です。HunyuanWorld-Mirror は、各画像の深度や点群に加えて、それぞれの写真を撮った カメラの位置と向き（カメラ姿勢） までを、まとめて一括で推定してくれるAIモデルです。
従来はカメラ姿勢を求めるのに COLMAP という手法を使うのが定番でしたが、Mirror はそれより高速で頑健。姿勢が正確に出るぶん、後の工程がぐっと楽になります。こうして、バラバラだった多視点の情報が、ひとつの立体（点群）として立ち上がってきます。
余分な点を取り除いて、本体だけにする
再構成したばかりの点群には、背景や地面、ノイズの点が混ざっています。そこで、本体以外の点を取り除いていきます。
「点が減る」と聞くと劣化のように感じますが、実際はゴミを捨てて本体を濃くする作業です。ただし削りすぎると穴が空いてしまうので、さじ加減（パラメータの調整）が肝心。下の図は、削りすぎて穴が空いた例（左）と、調整して本体を保った例（右）の比較です。
点をつないで「面」にする
点の集まりのままでは扱いにくいので、点と点をつないで面（ポリゴン）にし、メッシュ と呼ばれる3Dモデルにします。ここは手法によって品質が大きく変わるところです。
従来の Poisson という方法ではトゲや穴が出がちでしたが、新しい 2DGS による方法では、なめらかで形のはっきりしたメッシュが得られます。同じ対象でも、仕上がりの差は一目瞭然です。
本物の質感を再現する（Gaussian Splatting）
最後は見た目の再現です。2D Gaussian Splatting は、無数の “平たい光の粒” を空間に並べて、本物に近い質感や色を描き出す手法。自由な視点から眺められ、しかも同じ最適化の過程からメッシュも取り出せるのが特長です。
学習も高速で、今回は RTX 4090 で約85秒（7,000回の最適化）で仕上がりました。
できあがった3Dモデル
最終的に、撮影用のマット（地面）を取り除き、本体だけで約7万頂点のメッシュが得られました。ブレード・運転席・履帯（クローラー）といった細部まで、形がしっかりと再現できています。スマホ動画1本から、ここまで作れるわけです。
まとめと今後
動画1本から、点群 → メッシュ → 写実3Dモデルまでを自動で生成できました。鍵になったのは、正確なカメラ姿勢を与える HunyuanWorld-Mirror と、高品質に仕上げる 2D Gaussian Splatting の組み合わせです。従来 Poisson で出ていた穴やトゲも解消し、形の明瞭なメッシュを実現しています。
今後は、最適化の反復回数を増やしたさらなる精細化、底面のクローズ処理、正解データ（GT）を用いた定量評価などに取り組んでいきます。