写真を何十枚か撮ってしばらく待つだけで、その場に立っているかのような3D空間がぬるぬる動く。3D Gaussian Splatting(3DGS) が2023年に登場したとき、多くの人が受けた衝撃はそれだった。
ところが、入口として必ず紹介される本家リポジトリ graphdeco-inria/gaussian-splatting の現状を書いた日本語記事は、確認できた範囲では少ない。★は23,495に達しているのに main は2024年10月から動いておらず、ライセンスは非商用限定で、公式の environment.yml には README と噛み合わない箇所がある。本記事はその3点を手元で実測して整理する。
THE REPO TODAY本家の現状
人気は高いのに、本家の main は止まっている
23,495★
star 数
fork は 3,382
22か月
main の未更新期間
最終コミットは 2024-10-30
0件
タグ・リリース
固定はコミットSHAで行う
30秒でわかる — この記事で実測したこと
- 本家の main は2024年10月30日で止まっている — タグもリリースも0件。GitHub API の
pushed_atは2025年10月17日を返すが、実体はishaan/wip_new_viewerという作業中ブランチへの push で、本体の更新ではない - ライセンスは非商用限定で、中核サブモジュールにも同じ条件が付く — 本体・
diff-gaussian-rasterization・simple-knnの3つが Inria/MPII の独自ライセンス。学習を回す最小構成がまるごと非商用側に入る - 公式
environment.ymlの CUDA 指定を README の推奨に合わせると、PyTorch が黙って CPU 版になる —cudatoolkit=11.8へ変えて solve すると、エラーなしでpytorch 1.12.1 py3.7_cpu_0が選ばれる
3DGS は生成AIではなく、写真から空間を再構成するレンダリング技術だ。生成AI全体の位置づけはLLMとは?仕組み・主要モデル比較・ローカル実行・量子化を一気にまとめる2026年版を参照してほしい。
3D Gaussian Splatting(3DGS)とは——SIGGRAPH 2023論文と使い方の流れ
3D Gaussian Splatting は、複数視点から撮影した写真群からシーンを再構成し、任意の視点からの見た目をリアルタイムに描画する手法だ。原典は SIGGRAPH 2023(ACM Transactions on Graphics 42巻4号) の論文で、著者は Bernhard Kerbl、Georgios Kopanas、Thomas Leimkühler、George Drettakis の4名。所属は Inria、Université Côte d’Azur、Max Planck Institut für Informatik である。
論文は、COLMAP の疎な点群を初期値にシーンを3次元ガウシアンの集合で表し、異方性の共分散の最適化と密度制御を交互に行い、可視性を考慮した高速な描画で 1080p・30fps 以上のリアルタイム新視点合成を達成した。
押さえたいのは、3DGS の入口が COLMAP である点だ。本家のパイプラインは写真から直接始まらず、まず COLMAP(Structure-from-Motion)でカメラ位置と疎な点群を求め、それをガウシアンの初期値にする。撮影の失敗はまず COLMAP の段階で効いてくる。使い方の流れは次のとおり。
・入力:同一シーンを複数視点から撮った写真群(動画からのフレーム抽出でも可)
・前処理:COLMAP によるカメラ位置推定と疎な点群生成
・学習:GPU上でガウシアンのパラメータを最適化。本家READMEは論文品質で24GB VRAMを要件に挙げる
・出力:.ply 形式のガウシアン群。メッシュではないため、そのままではゲームエンジンの通常パイプラインに乗らない
・描画:専用ビューア(本家のSIBR、またはWebGL系ビューア)でリアルタイム表示
NeRF との違いは表現の持ち方にある。NeRF はニューラルネットが空間の色と密度を暗黙的に持つため、1点の色を得るのに前向き計算が要る。3DGS は空間を明示的なガウシアンの集合として持ち、スクリーンへ投影して合成するだけなので、学習済みシーンの描画が軽い。代わりにデータは大きくなりやすく、.ply は数百MBに達することもある。
1個のガウシアンは位置・異方性の共分散(スケール3成分と回転4成分)・不透明度・球面調和係数の色を持つ。数十個×数百万個なので .ply は大きくなり、配布や Web 表示には圧縮・間引きのツール(後述の supersplat など)が要る。
3DGS は実在シーンの再構成であって、無い部分を作り出す技術ではない。画像1枚から3Dアセットを「生成」する側の代表例はTRELLIS完全ガイド|Microsoftの画像→3D生成AI・SLATの仕組みと導入・比較まで解説で扱っている。
3dgs github の本家 graphdeco-inria/gaussian-splatting の現状(2026-08-28時点)
「3D Gaussian Splatting を試したい」と検索して最初にたどり着くのが本家リポジトリだ。2026年8月28日時点の GitHub API の実測値を並べる。
| 項目 | 実測値(2026-08-28) |
|---|---|
| star | 23,495 |
| fork | 3,382 |
| オープンissue+PR | 713(open_issues_count はPRを含む) |
| main の最終コミット | 2024-10-30(fix submodule name in environment.yml) |
ishaan/wip_new_viewer |
2025-10-17 |
API の pushed_at |
2025-10-17 |
| タグ/リリース | 0件/0件 |
| archived フラグ | false |
誤読しやすいのが pushed_at の 2025-10-17 だ。これは ishaan/wip_new_viewer(”Add new viewer in train script while keeping option for SIBR”)という作業中ブランチへの push を拾っているにすぎない。本体の main は2024年10月30日から2026-08-28時点で約22か月更新されていない。タグとリリースが0件なので「現行バージョン」という概念もなく、バージョンを固定したいならコミットSHAで留めるしかない。
licensed というブランチ名を「商用版」と誤読しない
LICENSE.md を取得して比較したところ、このブランチのライセンスは main と同一の非商用ライセンスだった。差分は1コミット・4ファイル(SIBR_viewers のサブモジュール参照先、environment.yml、scene/dataset_readers.py、scene/gaussian_model.py)で、ライセンス条件の変更は含まれない。environment.yml も cudatoolkit=11.6 の pin は main と同じだった。
README 自身も保守に割けるリソースが限られていると認めている。放置というより、研究成果の公開物として役目を終えつつあると読むのが正確だ。
3D Gaussian Splatting のライセンスを全系統で読む——本家は非商用限定
GitHub は本家のライセンスを “Other”(SPDX では NOASSERTION)としか表示しない。表示を見ただけでは何も分からないので、LICENSE.md を開く必要がある。本体は「Gaussian-Splatting License」という Inria と MPII の独自ライセンスで、要点は次のとおり。
・第3条:研究目的での使用権を無償で付与する。サブライセンス権は無く、「非商用に、すなわち研究および/または評価の目的でのみ」使用してよい
・第5条:「ライセンサーの事前かつ明示的な同意なしに、本ソフトウェアを商用目的で使用・利用・配布することはできない」と明記し、問い合わせ先を stip-sophia.transfert@inria.fr とする
第4.2条が参照する「第2条の使用制限」は実際には「Purpose」で、「Section 3.1」という条項は存在しないなど、条文に相互参照の誤りがある。本記事は事実の報告にとどめ、派生物への効き方について法的な結論は述べない。
見落とされがちなのがサブモジュール側のライセンスだ。.gitmodules の4つを個別に取得して確認した。
| サブモジュール | ホスト | ライセンス(実測) | 役割 |
|---|---|---|---|
submodules/diff-gaussian-rasterization |
github.com | Gaussian-Splatting License(非商用) | 微分可能CUDAラスタライザ。中核 |
submodules/simple-knn |
gitlab.inria.fr | Gaussian-Splatting License(非商用) | 近傍探索。初期化と密度制御 |
submodules/fused-ssim |
github.com | MIT | SSIM損失の高速実装 |
SIBR_viewers |
gitlab.inria.fr | Apache-2.0(ただし下記) | リアルタイムビューア |
学習を回すのに必須の3点(本体・CUDAラスタライザ・simple-knn)がすべて非商用で、MIT なのは fused-ssim と loss_utils.py だけだ。「本体だけ気をつければよい」は成立しない。
ビューアの sibr_core は Apache 2.0 だが、LICENSE.md によれば src/projects 配下の一部プロジェクトは別ライセンスを持つ。gaussian_code_release 相当の LICENSE は匿名で取得できず未検証。
自分のプロジェクトに本家由来のコードが混入していないかは、次のコマンドで確認できる。
# ソースに Inria 非商用ライセンスのコンポーネントが無いか探す
grep -ril "Gaussian-Splatting License" . 2>/dev/null
grep -rl "stip-sophia.transfert@inria.fr" . 2>/dev/null
# Python環境に本家由来のCUDA拡張が入っていないか
pip list 2>/dev/null | grep -Ei "diff-gaussian-rasterization|simple-knn"
公式 environment.yml は今日も解けるのか——CUDA 11.6 と 11.8 のA/B
本家のセットアップは conda 前提で、同梱の environment.yml を使う。README の Software Requirements は「CUDA SDK 11 が必要(私たちは 11.8 を使った。11.6 には既知の問題がある)」と書く。これはサブモジュールを nvcc でコンパイルするシステム側のツールキットの話だ。一方、environment.yml が pin しているのはconda パッケージとしての cudatoolkit で、こちらは README が名指しした 11.6 になっている。
dependencies:
- cudatoolkit=11.6 # README は 11.8 推奨・11.6 に known issues と書いている
- python=3.7.13 # Python 3.7 は 2023-06 に EOL
- pytorch=1.12.1
- torchaudio=0.12.1
- torchvision=0.13.1
この食い違いを解こうとして conda 側の pin も 11.8 に揃えると何が起きるか。 micromamba 2.9.0 で --platform linux-64 --dry-run を使い、依存解決だけを比較した(2026年8月28日)。
CUDA A/Benvironment.yml の実測
CUDA を 11.8 に揃えると PyTorch が CPU 版になる
A: cudatoolkit=11.6
公式のまま
- pytorch 1.12.1 の CUDA 11.6 ビルド(1GB)
- solve 成功・76パッケージ・2GB
B: cudatoolkit=11.8
README 推奨に合わせた
- pytorch 1.12.1 の CPU ビルド(80MB)
- solve 成功・エラーも警告もなし
| 中核パッケージ | A:cudatoolkit=11.6(公式のまま) |
B:cudatoolkit=11.8(README推奨に合わせた) |
|---|---|---|
| pytorch | 1.12.1 py3.7_cuda11.6_cudnn8.3.2_0(1GB) |
1.12.1 py3.7_cpu_0(80MB) |
| torchvision | 0.13.1 py37_cu116 |
0.13.1 py37_cpu |
| torchaudio | 0.12.1 py37_cu116 |
0.12.1 py37_cpu |
| cudatoolkit | 11.6.2(628MB) |
11.8.0(716MB) |
| パッケージ総数/ダウンロード | 76/2GB | 76/1GB |
| solve の結果 | 成功 | 成功(エラーなし) |
conda 側を 11.8 へ揃えると、依存解決は成功したまま PyTorch が CPU 版になる。 PyTorch 1.12.1 には cu118 ビルドが存在せず(提供は 1.13 以降)、solver は CUDA ビルドが使えないので CPU ビルドを選ぶ。しかも cudatoolkit は716MB分きっちり入るため、環境は一見 CUDA 対応に見える。
なぜ気づきにくいか
・conda / mamba はエラーも警告も出さない。nvidia-smi も通り、cudatoolkit も入っている
・気づくのは学習時に torch.cuda.is_available() が False になるか、極端に遅いとき
・確認方法:構築直後に python -c "import torch; print(torch.__version__, torch.version.cuda, torch.cuda.is_available())" を実行する。torch.version.cuda が None なら CPU ビルド
GPU が無くても再現できる。
curl -sO https://raw.githubusercontent.com/graphdeco-inria/gaussian-splatting/main/environment.yml
micromamba create -n gs_check -f environment.yml \
--platform linux-64 --dry-run -y | grep -E "pytorch|torchvision|cudatoolkit"
このコマンドは取得したままの environment.yml に対して実行し、結果が表Aと一致することを確認した。ただし --dry-run が解くのは conda 依存の側だけで、pip セクションにある3本のローカルパス(diff-gaussian-rasterization / simple-knn / fused-ssim)は評価されない。この3本のCUDA拡張が実際にビルドできるかは未検証(nvcc と対応コンパイラを持つ実機が要る)。
公式の environment.yml は2026年8月28日時点でも conda 側の解決は成功する。Python 3.7.13 は EOL だがパッケージはまだ配布されており、問題は入ったあとの環境が今のGPU世代と噛み合うかだ。README の要件は「Compute Capability 7.0 以上」という下限だけで、CUDA 11.6 世代のビルドが新しい世代(Ada Lovelace の8.9以降)のカーネルを同梱しているかは書かれていない。その場合は PyTorch と CUDA を入れ直してサブモジュールをビルドし直す手順になり、「公式手順で一発で入る」前提は崩れる。
3D Gaussian Splatting の実装をどう選ぶか——本家・gsplat・ビューア
実測を踏まえると、「本家をそのまま使う」が最適になる場面は限られる。
| リポジトリ | ★(実測) | 配布ライセンス | 直近push | 位置づけ |
|---|---|---|---|---|
graphdeco-inria/gaussian-splatting |
23,495 | Gaussian-Splatting License(非商用) | main は2024-10-30 | 論文の参照実装 |
nerfstudio-project/nerfstudio |
11,939 | Apache-2.0 | 2025-07-29 | 学習フレームワーク(Splatfacto を内包) |
playcanvas/supersplat |
9,909 | MIT | 2026-08-27 | ブラウザで動く .ply エディタ/ビューア |
nerfstudio-project/gsplat |
5,597 | Apache-2.0 | 2026-08-20 | CUDAラスタライザのライブラリ |
antimatter15/splat |
3,066 | MIT | 2025-11-16 | WebGL ビューア(軽量) |
mkkellogg/GaussianSplats3D |
2,872 | MIT | 2025-10-19 | three.js ベースのビューア |
graphdeco-inria/hierarchical-3d-gaussians |
1,461 | Other(NOASSERTION) | 2025-06-10 | 大規模シーン向け階層版(SIGGRAPH 2024) |
nerfstudio-project/gsplat は Apache-2.0 で配布され、README は自身を「SIGGRAPH論文に着想を得た(inspired by)」ラスタライズ用ライブラリと説明する(技術文書は arXiv:2409.06765)。ただし配布ライセンスが Apache-2.0 であることと、上流の制限から自由であることは別の主張で、後者はコードの由来まで見ないと判断できない。本記事は商用利用の可否について法的な結論を述べない。言えるのは、本家は明示的に非商用なのでそのまま製品に入れる選択肢は無い、という一点だ。
ビューアでは、本家がWindows向けプリビルドバイナリ(約60MB)を配布している。Linux や macOS では自前ビルド(Visual Studio か g++、Clang は不可、CUDA SDK 11、CMake)が前提になるため、結果を見るだけならブラウザで動く MIT ライセンスのビューアのほうが配りやすい。
WHICH ONE実装の選び方
目的が決まれば、選ぶ実装も決まる
やりたいこと
選ぶ実装
やりたいこと: 論文の追試・研究
選ぶ実装: 本家(参照実装・非商用ライセンス)
やりたいこと: 研究外で学習を回す
選ぶ実装: Nerfstudio(Splatfacto)/gsplat(Apache-2.0)
やりたいこと: .ply を見せる・配る
選ぶ実装: supersplat/antimatter15/splat/GaussianSplats3D(MIT)
やりたいこと: 大規模シーン
選ぶ実装: hierarchical-3d-gaussians(要ライセンス確認)
シミュレータやワールドモデルの文脈で3DGSを使いたい場合は、フィジカルAIとは?英語表記Physical AIの意味・ワールドモデル・NVIDIA Cosmosを解説が周辺の全体像を扱っている。hierarchical-3d-gaussians は Inria 系で NOASSERTION なので、ライセンスは個別確認が要る。
3D Gaussian Splatting を始める前のチェックリスト
着手前チェックリスト
- 用途は研究・評価か、製品か — 製品なら本家(および
diff-gaussian-rasterization/simple-knn)はそのまま使えない。第5条の窓口stip-sophia.transfert@inria.frに確認するか、別実装を選ぶ - GPU要件を満たすか — Compute Capability 7.0以上。論文品質まで学習するなら24GB VRAM。閲覧だけならWebGLビューアでGPUサーバーは不要
- COLMAP を含めた前処理まで見積もったか — 3DGS単体では写真から始められない
environment.ymlの CUDA 指定を触るなら PyTorch のビルドを確認したか — 11.8 へ変えると CPU 版に落ちる。構築直後にtorch.cuda.is_available()を確認する- バージョンを固定する手段を決めたか — タグもリリースも0件なので、再現性が要るならコミットSHAで固定する
- 本家の更新を前提にしていないか — main は2024年10月30日から動いていない。継続的なメンテナンスが要るなら gsplat / Nerfstudio 側を見る
README が保守リソースの制約を認めていることから、本家は論文の参照実装としての役割に落ち着きつつあると読める(筆者の解釈)。研究の再現には今も最良の選択肢で、動くものを作って配るなら、更新が続き配布ライセンスの明確な実装のほうが素直だ。
参照ソース
・graphdeco-inria/gaussian-splatting — 本家リポジトリ。README・LICENSE.md・.gitmodules・environment.yml、およびGitHub APIによるブランチ/タグ/リリースの実測(2026-08-28)
・3D Gaussian Splatting for Real-Time Radiance Field Rendering(公式プロジェクトページ) — SIGGRAPH 2023(ACM Transactions on Graphics)掲載。著者・所属・論文PDFの一次情報
・論文本体(DOI: 10.1145/3592433) — Kerbl, Kopanas, Leimkühler, Drettakis、ACM Transactions on Graphics 42(4)、2023年7月26日。掲載誌・巻号は Crossref で確認
・graphdeco-inria/diff-gaussian-rasterization — 中核サブモジュール。LICENSE.md を個別に取得して確認
・sibr_core(gitlab.inria.fr) — SIBR ビューアの LICENSE.md。Apache-2.0 と src/projects 配下の例外規定
・nerfstudio-project/gsplat — README とライセンスファイルの記述、および arXiv:2409.06765 の案内





