GET3D by NVIDIAレビュー【2026年】2022年の研究デモとして読む

GET3Dは、NVIDIA Researchが2022年に発表した3D生成の研究プロジェクトです。製品ではなく、NeurIPS 2022で公開された論文と、その公式実装を指します。2D画像の集合から学習し、テクスチャ付きのメッシュを直接生成する点が特徴です。コードはGitHubで公開が続いており、ライセンスはNVIDIA Source Code License、つまり研究と評価の目的に限られます。料金はなく、必要なのはGPUとPythonの環境です。2026年10月28日時点で研究ページとリポジトリの存続を確認しましたが、動作は未検証です。

GET3Dとは。NVIDIAが2022年に出した研究モデル

正式な題は「GET3D: A Generative Model of High Quality 3D Textured Shapes Learned from Images」。著者はJun Gao、Tianchang Shen、Zian Wang、Wenzheng Chen、Kangxue Yin、Daiqing Li、Or Litany、Zan Gojcic、Sanja Fidlerの9名です。所属はNVIDIA、トロント大学、Vector Institute。2022年のNeurIPSで発表されました。名前の由来は「Generative model of Explicit Textured 3D meshes」、つまり明示的な形と質感を持つ3Dメッシュを作るモデル、という意味です。

名前に「3D」が入っているため、3Dモデリングの道具として検索されがちです。しかし提供形態は論文とコードであって、操作画面もAPIもありません。料金もありません。ここを混同すると、導入の検討そのものが空振りになります。「無料で使える3D生成ツール」と紹介する記事もありますが、条件を読むと意味が変わります。

研究ページには、生成例の動画がいくつも並びます。椅子、車、動物、バイク、人物、建物。形も質感もかなり作り込まれていて、デモだけを見ると製品に見えます。デモの見栄えと、道具として使えるかは別の話です。ここを分けて読むのが、この記事の前提になります。

「ツール」として検索される理由

理由は単純で、出力が目を引くからです。テクスチャ付きのメッシュが、しかも多様な形で出てくる。3Dの制作現場が抱える「モデルを作る時間」という問題に、直接効きそうに見えます。ただ、研究の出力は、条件を整えた環境での結果です。手元の案件にそのまま使えるかは、別に確かめる必要があります。検索結果と実際の提供形態の間に、この落差があります。

この論文が土台にしているのは、それまでの研究の積み上げです。形を滑らかに保つ表現、微分可能な描画、2D画像で学習する敵対的生成。研究ページには、参照した6本の論文が並んでいます。DefTet、DMTet、Nvdiffrec、EG3D、DIB-R++、Nvdiffrast。どれも2019年から2022年にかけての成果で、GET3Dはそれらを1本の生成器に組み直した位置づけです。単独の発明というより、部品の組み合わせ方に貢献がある研究だと読めます。

何を作るのか。2D画像から陰影付きのメッシュへ

GET3Dが作るのは、テクスチャ付きのメッシュです。論文の要旨では「explicit textured 3D meshes」と表現され、3Dの描画エンジンにそのまま渡せる形式だと説明されています。神経回路で描画する方式を挟まないので、既存の3Dソフトで扱いやすい。これが、この研究の分かりやすい売りです。研究の図を見ると、椅子の脚の車輪、車の灯火と窓、動物の耳や角といった細部まで、形として出ています。

仕組みは3段です。2つの潜在コードから、形を表す符号付き距離場と、色を表すテクスチャ場を作る。距離場からDMTetで表面のメッシュを取り出す。表面の点でテクスチャ場を引いて色を付ける。学習には2D画像だけを使い、描画を微分可能にして、本物の画像と見分けがつかないかを競わせます。3Dの正解データを用意しなくても学習できる、というのが主張です。

面白いのは、形と質感を別々に動かせる点です。同じ形のまま色だけ変える、同じ質感のまま形を変える、という操作ができます。研究ページには、その分離が効いていることを示す図が並びます。デザインの現場で言えば、「この椅子の形で、別の生地」を試す操作に近いものです。この発想は、その後の3D生成の議論でも繰り返し出てきます。

学習に2D画像を使う意味

3Dの学習データは、集めるのも作るのも手間がかかります。2D画像なら、商品写真やカタログの写真を流用できる可能性がある。この発想自体は、GET3Dが最初ではありませんが、メッシュを直接出す形と組み合わせた点に意義があります。ただし、学習に使う画像は、そのカテゴリの見え方を網羅している必要があります。同じ角度の写真ばかりでは、後ろ側の形は学べません。データの集め方が、そのまま出力の弱点になります。

公開モデルで試すか、自前で学習するか

分かれ目は、目的のカテゴリが既存の3種に入るかどうかです。車、椅子、バイクの形を見たいだけなら、公開モデルで足ります。GPUを1枚用意して、READMEのコマンドを回すだけです。自社の商品で作りたいなら、話が変わります。画像を集め、カメラの位置を揃え、学習を回す。ここまで来ると、研究を追うというより、研究を土台に開発する仕事になります。「試す」と「使う」の間には、学習という工程が挟まっている。この一段を飛ばして計画を立てると、後で必ず詰まります。

使うための条件。GPU・Python・ライセンス

READMEに書かれている条件は、研究コードらしく具体的です。Linuxを推奨、ハイエンドのGPUを1〜8枚、動作確認はV100とA100。Python 3.8、PyTorch 1.9.0、CUDA 11.1以降。加えてNvdiffrastとKaolinの導入が推奨されています。どれも2022年当時の標準で、2026年の環境とは世代が違います。

費用の考え方も、製品とは違います。月額はなく、GPUの時間が費用です。クラウドで借りるなら、16GBクラスのGPUを1時間動かす料金が単位になります。学習まで行うなら1〜8枚を長時間動かすことになるので、金額の桁が変わります。相場は借りるサービスで変わるため、この記事では金額を書きません。利用するサービスの料金表で確認してください。

ライセンスの壁

ライセンスはNVIDIA Source Code Licenseです。第3.3条に「non-commercially」、つまり研究または評価の目的に限ると書かれています。商用利用はNVIDIAとその関連会社に留保されています。受託制作や製品への組み込みを考えているなら、この時点で選択肢から外れます。相談の窓口としてNVIDIA Research Licensingが案内されていますが、条件は公開されていません。無償で公開されていることと、自由に使えることは別です。

16GBで動くことの意味

推論が16GBのGPU1枚で動くのは、試す側にとっては敷居の低さです。ただし動くのは、公開されている3種の学習済みモデルを回す場合です。自社の商品カテゴリで作りたいなら、そのカテゴリの画像を集めて学習させる必要があり、そこから難易度が上がります。データの用意と学習の手間は、研究コードを触る側の責任になります。「16GBで動く」という一文だけを見て買ったGPUで、思った用途に届かない。この種の記事では、そこが一番の落とし穴になります。

実行の手順そのものは、READMEに短くまとまっています。学習済みモデルを取得し、カテゴリごとのコマンドを回す。テクスチャ付きのメッシュが欲しいなら、オプションを1つ足す。潜在コードの補間を見たいなら、別のオプションを足す。評価指標を出したいなら、さらに別のオプションを足す。コマンドの形は用意されていますが、環境を整える部分は利用者に委ねられています。ここが、研究コードを触るときの実質的な入口になります。

評価できる点。研究としての筋の通し方

• テクスチャ付きのメッシュを直接出す。描画エンジンに渡せる形式で、後工程が短い
• 形と質感を別々に操作できる。作り方の順序を選べる設計になっている
• 2D画像だけで学習できる設計。3Dの正解データを用意しなくてよい
• コードと学習済みモデルが公開されている。追試と改造ができる
• 推論は16GBのGPU1枚で動く。試すだけなら現実的な構成

評価したいのは、出力の形式です。3D生成の研究は、神経回路で描画する方式が多く、そのままでは既存の制作工程に入りにくい。GET3Dはメッシュを出すので、3Dソフトやゲームエンジンに持ち込む道が開けています。「研究の出力を、現場の形式に合わせた」ことが、この論文の実務的な貢献だと考えます。性能の数字より、この設計判断のほうが後世に残る仕事です。

二つ目は、形と質感の分離です。これは見た目の問題ではなく、作業の問題です。形を決めてから色を検討する、色を決めてから形を展開する。どちらの順序でも作業できます。制作の現場では、この順序の自由が効きます。制約が少ないほど、直しが発生したときのやり直しも小さく済みます。

3つ目は、再現できる形で公開されていることです。論文だけでは追試できませんが、コードと学習済みモデルがあれば、同じ出力を手元で確認できます。研究の主張を確かめる手段がある、というのは、この種のプロジェクトでは貴重です。再現できない論文は、読む側にとっては読み物で終わります。その意味で、この公開の仕方は研究の作法として誠実です。

もう一点、ライセンスの書き方が明快なのも評価できます。何ができて何ができないかが条項に分かれていて、商用の可否も一文で分かります。研究コードの公開では、ライセンスが曖昧なまま放置されている例も少なくありません。使う側が最初に確認すべきことが、最初に書かれている。これは地味ですが、導入の判断を助ける要素です。曖昧さがないぶん、早く諦めがつく。使えないと分かることにも、情報としての価値があります。

気になった点。製品ではないという現実

• 製品ではない。操作画面もAPIもなく、非エンジニアが使える形になっていない
• ライセンスが非商用に限られる。業務利用は、社内の検証でも目的次第で引っかかる
• カテゴリごとの学習が必要。公開モデルは車・椅子・バイクの3種だけ
• 環境の再現が重い。Python 3.8、PyTorch 1.9.0、CUDA 11.1と、指定が古い
• テキスト指示は追加の微調整が前提。プロンプトで即生成、という使い方はできない
• 2022年の研究で、その後の3D生成の進展を反映していない

いちばん大きいのは、ライセンスです。非商用と書かれている以上、仕事の案件には使えません。研究や評価、社内での技術検証という範囲に限られます。「無料で使える3D生成」と紹介する記事もありますが、条件を読むとそう単純ではありません。無償と自由は別です。この一文を飛ばして導入を決めると、後で法務の段階で止まります。

二つ目は、環境の古さです。PyTorch 1.9.0、CUDA 11.1は、2026年の標準から見ると数世代前になります。当時のままの環境を用意するか、新しい環境で動くように直すか。どちらも手間がかかります。公開されている手順をそのままなぞるだけでは終わらない部分です。ここを軽く見ると、最初の1歩で止まります。

3つ目は、カテゴリの狭さです。公開モデルは3種で、しかも学習に使ったデータの範囲に縛られます。自社製品の形を作りたいなら、そのカテゴリの画像を集めて学習させる必要があります。研究の追試としては筋が通りますが、制作の道具としては遠い。この距離を短くするのが、2026年の商用サービスが担っている役割です。

4つ目として、ドキュメントの前提が研究者向けになっている点も挙げておきます。READMEはコマンドと条件の列挙で、困ったときの案内は多くありません。エラーの意味を調べるには、依存ライブラリの側の資料を読むことになります。ここが読めるかどうかで、所要の時間は大きく変わります。研究を追う体力があるかどうかが、そのまま試せるかどうかに直結します。

向き不向きの見極め

向くのは、3D生成の仕組みを学びたい人、論文の内容を手元で確かめたい研究者、社内の技術検証として非商用の範囲で試せる組織です。GPUを時間で借りられる環境があると、試すまでの時間が短くなります。逆に、商品画像から3Dモデルを作って納品したい、ECの商品ページに3Dを載せたい、という目的なら、Meshyのような製品を使うほうが早いです。研究成果を読むのか、仕事で使うのかで、選ぶものがはっきり分かれます。

Meshyや動画生成との違い。研究と製品の分かれ目

比較の前に、並べる土台が違うことを確認しておきます。GET3Dは論文とコード、Meshyなどは商用サービスです。出力の質を同じ条件で比べていないので、優劣は書けません（未検証）。ここでは、提供の形と使える範囲だけを並べます。

Meshyは、テキストや画像から3Dモデルを作る商用サービスです。料金を払えば画面から操作でき、出力をそのまま案件に使えます。GET3Dとの違いは性能の差ではなく、責任の所在です。商用サービスは、出力の利用条件とサポートを契約に含めています。研究コードは、そこが利用者の責任になります。同じ「3Dを作る」でも、買っているものの中身が違うわけです。

料金の比較も、そのままでは成立しません。GET3Dは無償で、費用はGPUの時間に置き換わります。製品は月額かクレジットで、費用が先に見えます。どちらが安いかは、何時間動かすかで変わります。1回試すだけなら、研究コードのほうが安く済む場合もあります。毎月使い続けるなら、製品の月額のほうが読みやすい。費用の形が違うものは、金額ではなく時間で比べるのが正しいやり方です。1か月の作業時間を先に書き出してから、どちらに寄せるかを決めると判断がぶれません。

KLING AIやLeonardo AIは、2Dの画像や動画を作る系統です。3Dのメッシュを出すわけではありませんが、商品の見せ方を補う用途では重なります。3Dが要るのか、写真と動画で足りるのかを先に決めると、道具選びで迷いません。多くの場合、欲しいのは3Dモデルではなく「商品が伝わる画」です。そこを取り違えると、不要に重い仕組みを抱えることになります。

周辺の道具として、Notion AIに実験の記録を残し、ChatGPTやClaude、Google Gemini、DeepSeekで論文の用語を噛み砕く、という使い方は現実的です。コードを読む前後に、用語の確認と記録を回す。ZapierやMakeで実験のログをまとめる必要は、個人で試す範囲ではほとんどありません。研究を追う作業は、道具を増やすより、記録を1か所に残すほうが進みます。

判断の分かれ目。研究を追うか、製品で作るか

分かれ目は、成果物が要るのか、理解が要るのかです。今週中に3Dモデルが要るなら、研究コードを触る時間はありません。製品を契約して、出力を整える作業に時間を使うべきです。逆に、この先の案件で3D生成を使う可能性があるなら、仕組みを1度自分の手で動かしておく価値はあります。どこで詰まるか、何が苦手かが分かると、製品を選ぶ目も変わります。納品と学習を、同じ道具で済ませようとしない。ここを混ぜると、どちらも中途半端になります。

2026年10月時点で確認できたこと・できなかったこと

確認できたのは、研究ページとGitHubのリポジトリがどちらも生きていること、コードと学習済みモデルが公開されていること、ライセンスが非商用であること、推論と学習の条件、論文の書誌情報です。ここまでは一次情報で裏が取れました。研究ページには論文のPDFとBibTeX、コードへの導線が揃っていて、案内として破綻していません。

論文を読む順序にも触れておきます。要旨と図だけを先に見て、何を作る研究かを掴む。そのうえで手法の節を読み、3段の構成を確認する。実験の節は、数値より比較の相手を見たほうが、この研究の立ち位置が分かります。末尾に限界の記述を探すと、できないことがはっきりします。フルのPDFを頭から読むより、この順のほうが短時間で全体像を掴めます。用語が分からないときは、生成の道具に聞きながら進めると止まりません。

確認できなかったのは、現在のGPU環境での動作です。READMEの指定は2022年当時のもので、2026年のドライバやライブラリでそのまま動くかは分かりません。生成にかかる時間、出力の品質、再現性も未検証です。デモ動画は研究側が選んだ結果なので、平均的な出力とは限りません。この記事では、確認できた範囲とできなかった範囲を分けて書いています。

数字は論文とREADMEに書かれているものだけを使い、体験談は書いていません。「30分で動いた」「品質は商用と同等」といった記述は、実際に試していないため書けません。公開情報で確認できる範囲と、確認できない範囲を分けて書く。研究を扱う記事では、これが最低限の作法だと考えます。読む側も、どこまでが事実でどこからが推測かを、意識して読む必要があります。

研究デモを触る意味

製品を触るのと、研究を触るのでは、得られるものが違います。製品は、今の仕事をどう速くするかを教えてくれます。研究は、この先に何が来るかの見取り図をくれます。GET3Dの「メッシュを直接出す」「形と質感を分ける」という設計は、その後の3D生成の議論にも残っている論点です。2026年の道具と比べて古いかどうかではなく、どの問題に答えた研究だったのかを読む価値があります。触るなら、出力の美しさより、設計の意図を見るほうが学びになります。

よくある質問

まとめ

主な参照元：NVIDIA ResearchのGET3D研究ページ（2026年10月28日確認）、GitHubのnv-tlabs/GET3DリポジトリのREADME（同日確認）、同リポジトリのLICENSE.txt（同日確認）。論文の書誌情報はNeurIPS 2022およびarXiv版（2209.11163）によります。ライセンスの非商用条件はLICENSE.txtの第3.3条の記載によります。実機検証は未実施。