ResearchMan← Technology
VGGT-Ω (VGGT-Omega)
Research研究用途のみ#Spatial/3D#CreatorTools

VGGT-Ω (VGGT-Omega)

Meta AI (FAIR) × University of Oxford VGG/2026-09

Overview

複数枚の写真や動画からカメラ位置・角度・深度を数秒で一括推定するMeta×Oxfordのモデル。2026年9月に自前データで再学習できる訓練コードが新規公開された。

技術のポイント

VGGTはスマホで撮った何枚かの写真や短い動画から、カメラがどこにどんな向きで写したか(位置・角度・レンズの画角)と、写っている物体までの距離(深度)を、数秒で丸ごと推定してくれるAIモデルです。今回、モデル自体を自分のデータで学習し直すための「訓練コード」が公開されたことで、特定の建物や商品、キャラクターに特化したカメラ推定・3D再構成モデルを研究者だけでなく企業も独自にチューニングできるようになりました。広告や体験づくりの文脈では、実写した街並みや店舗をそのまま3D空間として取り込み、CGキャラクターを違和感なく配置したり、ドローン映像からVR空間を自動生成したりする土台になり得ます。従来は専門のフォトグラメトリ業者への発注や高価なLiDARスキャナが必要だった作業を、普通のカメラ映像だけで代替できる可能性を示す技術です。

技術の詳細

仕組みをたとえるなら、複数人が同じ景色をバラバラの角度からスマホで撮った写真を集めて、「それぞれのスマホがどこに立っていたか」と「景色の凹凸」を同時に解いていくパズルのようなものです。VGGT-Ωはこれを一つのニューラルネットワークで一気に処理し、数百枚の画像でも数秒〜数十秒で位置合わせと3D点群化を終えます。 従来のフォトグラメトリ(COLMAPなど)は特徴点マッチングを何段階も重ねる古典的な計算処理で、枚数が増えると処理時間が急激に伸びていました。VGGT-Ωは学習済みAIが直接答えを出す方式のため桁違いに高速で、今回追加された訓練コードにより、自社の建築物やロケ地の映像だけを使って推定精度をチューニングすることも可能になりました。 使うにはNVIDIA GPU搭載のPC(学習には特にVRAMに余裕のある環境が望ましい)とPython/PyTorch環境が必要です。推論だけならHugging Face上の無料デモでブラウザから試せますが、ライセンスは非商用の研究利用限定のため、広告制作など商用利用には別途ライセンス交渉かオープンライセンスの代替技術との組み合わせを検討する必要があります。

License

Meta FAIR Noncommercial Research License v1。商用利用は明示的に禁止

Sources

Related Works

  • VGGT (原型モデル)

    本モデルのベースとなった、単一ネットワークでカメラ姿勢と3D構造を推定する先行研究

  • COLMAP

    特徴点マッチングに基づく従来型フォトグラメトリの定番ツール

  • DUSt3R

    2枚の画像から3D幾何を直接推定する先行のend-to-end手法