---
title: "SAM 3D Objects：画像から3Dへの技術とベンチマーク — Segmentit"
description: "SAM 3D ObjectsとBody、単一画像からの再構成、TRELLISやHunyuan3DとのSA-3DAO比較を解説。Segmentitの制作フローも紹介します。"
lang: "ja"
canonical: "https://segmentit.com/ja/sam-3d/"
---

# SAM 3D。写真に立体を。

Metaの単一画像からの再構成モデルと、その仕組みを紹介。TRELLIS、Hunyuan3Dなどとの公表比較も確認できます。

[Studioを試す](https://segmentit.com/app?lang=ja) [ベンチマークを見る](https://segmentit.com/ja/sam-3d/#benchmarks)

[![Segmentit Studioのオブジェクト作成フロー](https://segmentit.com/images/blog/studio-monument.png)](https://segmentit.com/app?lang=ja) [Studioを開く](https://segmentit.com/app?lang=ja)

Segmentitによる独立したガイドです。SAM 3とSAM 3DはMetaが開発しています。SegmentitはMetaと提携していません。

## SAM 3Dとは？

SAM 3D（SAM3D）は画像から3Dを再構成するMetaのモデル群です。Objectsは物の形状、テクスチャ、配置を推定します。Bodyは人体の形と姿勢を扱う別モデルです。Segmentitの制作フローはObjectsを対象としています。

[Meta・SAM 3D ↗](https://ai.meta.com/research/sam3d/)

### SAM 3

画像 → 2Dマスク

### SAM 3D Objects

画像 + マスク → 3Dオブジェクト

精密な選択と立体の再構築は、それぞれ異なる目的に対応します。形状、テクスチャ、シーンの構成に取りかかる前に、適切な被写体を選びましょう。 [詳しく見る SAM 3](https://segmentit.com/ja/sam-3/).

### 比較対象のモデル

-   [TRELLISMicrosoft · Tsinghua · USTC](https://microsoft.github.io/TRELLIS/)
-   [Hunyuan3D-2.1Tencent](https://github.com/Tencent/Hunyuan3D-2)
-   [Hunyuan3D-2.0Tencent](https://github.com/Tencent/Hunyuan3D-2)
-   [Direct3D-S2Nanjing · DreamTech · Fudan · Oxford](https://arxiv.org/html/2505.17412v1)
-   [TripoSGVAST / Tripo](https://github.com/VAST-AI-Research/TripoSG)
-   [Hi3DGenByteDance · CUHK Shenzhen · Tsinghua](https://github.com/bytedance/Hi3DGen)
-   [SAM 3DMeta](https://github.com/facebookresearch/sam-3d-objects)

組織および共同研究の国を示しています。各モデルから公式プロジェクトにアクセスできます。

## SAM 3D ObjectsとBodyの違いは？

### オブジェクトとシーン

**SAM 3D Objects**

画像からオブジェクトの形状、外観、配置を再構築します。

### 人物とポーズ

**SAM 3D Body**

人体の形状と姿勢を推定します。別の用途に対応する独立したモデルです。

### 再構築の前に選択

**SAM 3 → SAM 3D**

2Dで被写体を特定し、そのマスクを使ってオブジェクトの再構築を誘導します。

## 制作の進め方を選ぶ

ゲームの小道具、シーンを飾るオブジェクト、別の角度から確認したい製品から始めましょう。鮮明な参照画像があれば、生成された形状を評価しやすくなります。

[対象を選択](https://segmentit.com/ja/docs/select-an-object/) [3Dで作成](https://segmentit.com/ja/docs/generate-3d/) [ダウンロードとエクスポート](https://segmentit.com/ja/docs/download-and-export/)

## SAM 3Dの仕組み

### 画像＋マスク

元画像が周囲の情報を、マスクが再構成する対象を示します。

### 形状＋姿勢

最初の生成段階で形と配置を推定します。見えない面は学習した視覚パターンから補われます。

### テクスチャ＋調整

次の段階で外観と細部を調整します。研究パイプラインはメッシュとガウシアン表現に対応しています。

研究モデルのアーキテクチャです。アプリで提供される動画機能、表現形式、ツールは異なる場合があります。 [公式コード ↗](https://github.com/facebookresearch/sam-3d-objects)

## 以前の画像から3Dへの手法とSAM 3Dの比較

SA-3DAO・形状再構成・F1@0.01・高いほど良好

F1@0.01 · 0 → 0.25

TRELLIS

**0.1475**

Hunyuan3D-2.1

**0.1399**

Hunyuan3D-2.0

**0.1574**

Direct3D-S2

**0.1513**

TripoSG

**0.1533**

Hi3DGen

**0.1629**

SAM 3D

**0.2344**

**データと指標**

**SA-3DAO · Table 2**

| モデル | F1@0.01 ↑ | vIoU ↑ | Chamfer ↓ | EMD ↓ |
| --- | --- | --- | --- | --- |
| TRELLIS | 0.1475 | 0.1392 | 0.0902 | 0.2131 |
| Hunyuan3D-2.1 | 0.1399 | 0.1266 | 0.1126 | 0.2432 |
| Hunyuan3D-2.0 | 0.1574 | 0.1504 | 0.0866 | 0.2049 |
| Direct3D-S2 | 0.1513 | 0.1465 | 0.0962 | 0.2160 |
| TripoSG | 0.1533 | 0.1445 | 0.0844 | 0.2057 |
| Hi3DGen | 0.1629 | 0.1531 | 0.0937 | 0.2134 |
| SAM 3D | 0.2344 | 0.2311 | 0.0400 | 0.1211 |

F1：閾値0.01における表面の適合率と再現率。vIoU：体積の重なり。ChamferとEMD：幾何学的距離（小さいほど良好）。論文の数値であり、成功率ではありません。

出典： [SAM 3D Team et al. · Table 2 · arXiv v1 (2025) ↗](https://arxiv.org/html/2511.16624v1#S4.T2)

この比較でSAM 3DのF1@0.01は0.2344です。SA-3DAOについて論文で報告された値であり、現在の商用製品のランキングやSegmentitが実施した測定ではありません。

### 体積の重なり

予測した体積と正解の一致度。高いほど良好です。

vIoU ↑0 → 0.25

**TRELLIS**

**0.1392**

**Hunyuan3D-2.1**

**0.1266**

**Hunyuan3D-2.0**

**0.1504**

**Direct3D-S2**

**0.1465**

**TripoSG**

**0.1445**

**Hi3DGen**

**0.1531**

**SAM 3D**

**0.2311**

[公開データ · 2025年 ↗](https://arxiv.org/html/2511.16624v1#S4.T2)

### 表面距離

正解表面との幾何学的距離。低いほど良好です。

Chamfer ↓0 → 0.12

**TRELLIS**

**0.0902**

**Hunyuan3D-2.1**

**0.1126**

**Hunyuan3D-2.0**

**0.0866**

**Direct3D-S2**

**0.0962**

**TripoSG**

**0.0844**

**Hi3DGen**

**0.0937**

**SAM 3D**

**0.0400**

[公開データ · 2025年 ↗](https://arxiv.org/html/2511.16624v1#S4.T2)

### 全体形状の一致度

点分布間の距離。低いほど良好です。

EMD ↓0 → 0.25

**TRELLIS**

**0.2131**

**Hunyuan3D-2.1**

**0.2432**

**Hunyuan3D-2.0**

**0.2049**

**Direct3D-S2**

**0.2160**

**TripoSG**

**0.2057**

**Hi3DGen**

**0.2134**

**SAM 3D**

**0.1211**

[公開データ · 2025年 ↗](https://arxiv.org/html/2511.16624v1#S4.T2)

### 結果の読み方

2025年の論文で評価されたバージョンの過去の比較です。2026年10月7日に確認しました。何を測定するかはデータセット、プロンプト、指標によって異なります。これらのスコアは、Segmentitの生成時間やすべての写真の品質を予測するものではありません。

## 研究から、次の作品へ。

写真をSegmentitに取り込み、対象を切り抜いて3D生成します。Studioで確認し、次のシーン用にGLBをダウンロードできます。選択範囲とモデルは同じプロジェクトに保存されます。

[制作を始める](https://segmentit.com/app?lang=ja) [作成の流れを見る](https://segmentit.com/ja/services/photo-to-3d/)

## SAM 3Dについての質問

**SAM 3とSAM 3D、どちらが必要ですか？**

画像内の対象はセグメンテーションで選び、再構成で立体にします。SAM 3とSAM 3Dは同じ処理の別バージョンではなく、互いを補う技術です。

**SA-3DAOとは？**

実世界の画像とプロの3Dアーティストが作った形状を組み合わせたMetaのベンチマークです。公開資料では、画像と3Dの100組を公開し、900組を評価競技用に非公開としていると説明しています。

**再構成した物はどう使えばよいですか？**

制作素材として扱い、すべての面を確認し、シーンに合わせてサイズやマテリアルを調整してください。1枚の写真は有用な出発点ですが、写っていない細部は推定されています。

## 出典とドキュメント

-   [Meta・SAM 3D](https://ai.meta.com/research/sam3d/)
-   [論文・SAM 3D](https://arxiv.org/html/2511.16624v1)
-   [公式コード・SAM 3D Objects](https://github.com/facebookresearch/sam-3d-objects)
-   [Meta・SA-3DAOデータセット](https://ai.meta.com/datasets/sa-3dao-sam-3d-artist-objects-downloads/)

確認日 2026年10月7日 · Segmentit編集部