Sperid LabsがIdolを公開：単一画像から3Dガウスモデルを即時生成

Idolは、Sperid Labsがオープンソースとして公開した、単一の2D画像から標準的な3D Gaussian Splatting（3DGS）アセットを生成する軽量ツールです。

撮影した写真やCGレンダリング画像、生成AIで作ったイラストを1枚入力するだけで、背景を自動で切り抜き、写真には写っていない裏側まで推論して最大100万点規模の.plyファイルを書き出します。ピークVRAM消費量はわずか7.2GBで、一般的なコンシューマー向けGPUでそのまま動作します。

何ができるのか

従来の3D生成手法ではメッシュの歪みや裏面のテクスチャ潰れが課題になりがちでしたが、Idolは空間上に配置されたガウス球によって立体を表現します。

生成クオリティは柔軟に調整可能です。ガウス点数は32,768点から1,048,576点まで設定でき、大まかな形状確認なら3万点台で瞬時に生成し、緻密なディテールが欲しい場合は100万点まで密度を引き上げられます。

公式ベンチマーク（H100環境）において、IdolはTripoSplatやTRELLIS、LGMといった既存手法を上回る性能を示しました。未知の視点からの評価指標であるDINOv2やCLIP類似度で最高スコアを記録し、エッジのボケを表すSharpness distanceも0.81と最小です。LGMのように数値上のPSNRが高くても見た目がボケる現象がなく、裏面まで破綻の少ないシャープな形状を維持します。

動作環境とセットアップ

IdolがローカルPCで快適に動く理由は、モデル構造の巧みさにあります。拡散モデルによるデノイザーとデコーダーの中核パラメータ数は約0.66Bと極めてコンパクトです。背景透過モデルのBiRefNetやDINOv3、FLUX.2のVAEをすべて含めても、全体のウェイトは4GB前後に収まります。

メモリ効率も徹底されています。torch.compileとTF32による高速化が標準で有効になっており、ピークVRAMは7.2GBに抑えられています。B300サーバーでは26万点の生成が約3.4秒、条件次第では2秒前後で完了します。家庭用GPUでもRTX 5090で14.1秒、RTX 4090で19.1秒、VRAM 10GBのRTX 3080でも40数秒で処理可能です。

コードはGitHub（idol-sdk）、モデルウェイトはHugging Face上で公開されています。動作にはPython 3.10以上、PyTorch 2.5以上、CUDA対応のNVIDIA GPUが必要です。

注意点として、画像エンコーダーとしてMetaのDINOv3とFLUX.2-dev（VAEのみ）を使用するため、初回実行前にHugging Faceのアカウントで規約に同意し、ターミナルから認証ログインを済ませておく必要があります。

なぜ重要か

個人開発者や3Dアーティストにとって、Idolは単一画像からの3D制作ハードルを一気に引き下げる実用的なツールです。クラウドの高額なGPUインスタンスを借りることなく、手元のゲーミングPCで即座にアセットのプロトタイプを作れるようになります。

画像特徴の抽出をDINOv3に任せ、テクスチャ潜在空間をFLUXに委ねることで、自前の3Dデノイザーを軽量に保つ設計方針は非常に合理的だと考えられます。

ただし、出力されるのはガウススプラット形式であるため、ゲーム開発でキャラクターアニメーションを付けたり物理判定を持たせるには、ポリゴンメッシュへの変換工程が必要です。それでも、ビジュアルコンセプトの素早い検証や空間アセットの試作において、現時点で最も手軽に試せる優れたオープンソースモデルの一つと言えます。