Hi3D V1.0 対 CARI4D：同じバックボーン、異なる2つの問い

最も明確に示している事実は、Hi3D V1.0とCARI4Dの両方がTencentのHunyuan3D-2を呼び出せるということです。Hi3D V1.0は、2026年10月23日にSparc3Dのオープンソースの後継としてリリースされ、デモ内でHunyuan3D-2 miniアダプターを使用して粗いメッシュを生成し、その後でそれを詳細化します。NVIDIAによるカテゴリ非依存の人物-物体インタラクションの4D再構成であるCARI4Dは、Hunyuan3D-2を使用して動画の最初のフレームから物体のメッシュを再構成し、その後でその物体がどのように動くかを追跡します。同じ上流のジオメトリモデルでありながら、まったく異なる2つの仕事です。Hi3Dは高解像度で物体の表面がどう見えるべきかを問い、CARI4Dは人物と物体が時間の経過とともに何をしたかを問います。

Hunyuan3D-2 の実際の位置づけ

正確に述べておく価値がある。なぜなら、「どちらもHunyuan3Dを使用している」ということが、実際以上に密接な関係を示唆しかねないからだ。

Hi3DのコアライブラリはHunyuanをまったく必要としません。リファインメントパイプラインは参照画像と粗いメッシュを受け取り、demo/refine_mesh.pyはTencentから何もインポートしていません。Hunyuan3D-2 miniアダプタはdemo/coarse_stage.pyにあり、オプションで、画像だけを持つユーザーがリファイナに必要な粗いメッシュを生成できるようにするために存在しています。Tencentのコード、重み、出力は独自のライセンスを保持し、別途入手する必要があります。本番パイプラインでは、Hunyuanは多くの上流候補のうちの1つにすぎません。

CARI4Dの依存関係は構造的なものだ。その物体再構成ステージでは、最初のフレームを入力として受け取り、操作対象の物体をセグメンテーションし、Hunyuan3D-2でその幾何形状を再構成する。そのメッシュは次に、UniDepthとFoundationPoseを用いた粗から細への探索によってメートルスケールで配置される。パイプラインの残りの部分——人間に対するNLF、ポーズ仮説選択ステップ、レンダー・アンド・コンペア補正のためのCoCoNet、接触を考慮したジョイント最適化——は、その物体メッシュがトラッキングの対象として十分な品質であることに依存している。

この比較では、その帰結が有用な枠組みとなる。Hi3Dの目的は、Hunyuan3D-2が生成する種類のジオメトリを修正することそのものだ。CARI4Dの目的は動きを復元することであり、メッシュを継承する入力として扱う。どちらのプロジェクトも明言していないが、一方のモデルは他方の弱点を狙っている。

各学習済みモデルの用途

Hi3Dの学習済みコンポーネントは、粗いメッシュから取得した座標上で定義され、画像特徴量に条件付けられたスパースフローです。スパース潜在変数をサンプリングし、自己剪定スパースVAEでデコードし、表面を抽出し、再ボクセル化して繰り返します。3回のパスで、構造グリッドを64³→128³→192³へ、スパース抽出グリッドを512³→1024³→1536³へと引き上げ、各パスで25回のスケジューラ更新を行います。モデルは局所的な幾何学的ディテールを学習しています。すなわち、エッジ、薄い構造、表面の連続性、粗い生成器が平滑化してしまう部分です。

CARI4D の学習済みコンポーネントは CoCoNet であり、レンダー・アンド・コンペア型のネットワークです。オブジェクトと人物の現在の推定値を RGB、深度、マスクとしてレンダリングし、そのレンダリング結果を DINOv2 ViT-B/14 と ViT-S/14 の6チャネル XYZ・マスクエンコーダでエンコードし、時空間アテンションを実行して、フレームごとのポーズ補正と2つの手接触ロジットを回帰します。研究用チェックポイントは194Mパラメータ、2026年8月30日にリリースされた商用ライセンスの MHR 変種は231Mです。学習するのは形状の細部ではなく、レンダリングされた仮説と観測フレームとの関係です。

これらは異なる学習信号であり、異なる失敗モードです。Hi3Dは誤ったシルエットをよりシャープにすることがあります。CARI4Dは、形状が悪いオブジェクトを動画内で正確に追跡できても、質の低いメッシュしか得られない可能性があります。その指標は表面の忠実度ではなく、ポーズと接触に関するものだからです。

行ごとに何が出力されますか

• 入力 — Hi3D V1.0：参照画像＋粗いメッシュ 対 CARI4D：単眼RGB動画

• 出力 — Hi3D V1.0 ジオメトリのみの trimesh メッシュ対CARI4Dのフレームごとの人体姿勢と形状、オブジェクトの回転と並進、および2つの手接触ロジット

• スケール — Hi3D V1.0 は単位最大半径に再中心化および正規化されているのに対し、CARI4D は UniDepth と FoundationPose を通じて復元されたメートル法スケール

• テクスチャ — Hi3D V1.0 なし vs CARI4D なし。テクスチャ付きアセットではなく、ポーズとコンタクトを返します

• コンピューティング — Hi3D V1.0 は 96 GB の NVIDIA H20 で測定、CPU パスなし、バッチサイズ 1 対 NVIDIA Ampere 上の CARI4D PyTorch、A100 で検証済み、Docker イメージ付き

• ライセンス — Hi3D V1.0 は Hi3D Open License 1.0 で、商用利用には 200,000 MAU または月間収益 100 万米ドルのトリガーがあるのに対し、CARI4D は 231M の商用チェックポイントに NVIDIA Open Model Agreement を適用し、194M リリースは研究専用です

• 根拠 — Hi3D V1.0 は数値ベンチマークが公開されていないのに対し、CARI4D はアブレーションと BEHAVE の結果を備えた CVPR 2026 論文で、ベンダー報告であり独立に再現されていない

誰も公表していない実験

以下は、共有バックボーンによって明らかになる構成を、機能ではなく実験として述べたものです。

CARI4Dは、Hunyuan3D-2を通じて単一の最初のフレームからオブジェクトメッシュを再構築する。Hi3Dは、同じオブジェクトの参照画像を条件として、まさにその種の粗いメッシュを洗練する。そしてCARI4Dにはその参照画像がある。最初のフレームが参照画像だからだ。原理的には、パイプラインがCARI4Dの最初のフレーム画像とHunyuanメッシュを受け取り、Hi3Dを1024³または1536³で実行し、洗練されたサーフェスを、それを配置して追跡するステージに戻すこともできる。

実際には四つの障害があり、そのどれも小さなものではない。

• スケール。Hi3D は出力を再中心化し、最大半径が 1 になるように正規化します。CARI4D が FoundationPose を初期化するには、メートルスケールのメッシュが必要です。元に戻す変換は公開されておらず、これを誤ると各フレームでオブジェクトの見かけのサイズが変わってしまいます。

• 構造。Hi3D は与えられた粗い構造を精緻化するのであって、修正するわけではない。Hunyuan3D-2 が1つのフレームから物体のトポロジーを誤読した場合、Hi3D はその誤読をより詳細にする。CARI4D のポーズ仮説選択は、ある程度の物体誤差を吸収できる——論文では初期化時に物体の Chamfer 距離を約1,565 cm から16.85 cm に削減したと報告している——が、形状修復の段階ではない。

• ランタイム。Hi3D は一度に 1 オブジェクトを処理し、最大 3 パス、各 25 ステップで、レイテンシは公表されていない。CARI4D のパイプラインはすでに Hunyuan3D、UniDepth、NLF、FoundationPose、CoCoNet とジョイント最適化を連鎖させている。クリップ単位のループの前に 96 GB のリファインメントステージを追加することは、オフラインなら妥当と言えるかもしれないが、インタラクティブには不可能だろう。

• 検証。この統合を公開した人は誰もいない。CARI4Dの論文の数値は、ポーズと接触の精度を測っているのであって、より良い物体メッシュがそれらの数値に与える影響を測っているわけではない。精密化によってメッシュは改善しても、再構成指標はほとんど動かない可能性は十分にある。なぜなら、トラッキングは表面の詳細に対して頑健だからだ。また、よりシャープなメッシュがFoundationPoseの対応付けを改善する可能性もある。誰かがアブレーションを実行するまで、どちらも推測にすぎない。

この観察の誠実な価値は「一緒に使うこと」ではない。それは、二つのリリースが特定の接合点で相補的であり、その接合点には、どちらのベンダーも答えていない測定可能な問いが付随しているということだ。

2種類の証拠は、いずれも独立していない

CARI4DはHi3Dよりも証拠が充実して見えるし、実際そうだが、その差は最初に思えるほど大きくない。CARI4Dには査読付きのCVPR 2026論文、名前付きベンチマーク、アブレーションがあり、分布内で再構成誤差が38%低く、未見データで36%低いと報告されている。これらはNVIDIAの評価によるNVIDIAの数値である。中立的な研究室による再現はまだない。コードと評価スクリプトは公開されており、再現は可能だが、行われてはいない。

Hi3Dには数値ベンチマークが一切存在しない。リポジトリでは、局所形状について9手法の視覚比較、約200万件のキュレーション済みアセットという学習規模の主張、1536³の疎抽出という解像度の主張が公開されている。プレスリリースはさらに、90%のスライシング成功率と、報告された評価で最高のマルチビュー忠実度および詳細スコアという主張を追加しているが、スコアもベースラインもスライサー名も示されていない。学習コードと評価ハーネスが存在しないため、論文の表をリリースから再構築することはできない。

つまり、どちらもベンダーによる報告です。一方には論文が添付され、もう一方にはプレスリリースがあります。購入者は、CVPRバッジをその方法論を真剣に受け止める理由として扱うべきであり、独立したテストの代替として扱うべきではありません。

実際にどんな質問がありますか

人が物体を扱っている動画があり、手・物体・身体がどのように動いたのか——メートルスケールのポーズ、接触点、フレームごと——を知る必要があるなら、CARI4D はそのために作られたシステムであり、商用チェックポイントによって実運用可能になります。Hi3D はその問いにはまったく答えられません。時間モデルも、ポーズ出力も、接触推論も備えていません。

参照画像と粗いメッシュがあり、よりシャープな静的アセットが必要なら、Hi3D が直接的なツールです。CARI4D もその問いには答えられません。そのオブジェクトメッシュはトラッキングパイプラインの副産物であり、1 フレームから Hunyuan3D-2 が与える忠実度で生成され、洗練された表面ではなくポーズを公開するからです。

もしあなたが複合システム——オブジェクトのジオメトリが弱点となる再構成パイプライン——を構築しているなら、興味深い一手は、Hi3DのリファインメントがCARI4Dの下流指標を改善するかどうかを検証することだ。これは明確な実験設計を持ち、まだ公表された答えのない研究課題である。論文のための予算を組む前に、スケール変換とGPUのための予算を組め。

両方を囲む層

どちらのモデルもOrcaRouterでは提供されておらず、どちらも言語モデルではありません。カタログはテキスト、ビジョン、動画、埋め込み、音声であり、3D再構成はご自身のハードウェアで行います。ただし、再構成に付随する呼び出しはモデル呼び出しです。最初のフレームにキャプションを付ける、アセットレコード用にオブジェクトを説明する、あるいは改良されたレンダーが3つの角度からの参照とまだ一致するかを判定する、といった処理です。

最後のものはモデル融合にうってつけです。洗練されたメッシュが忠実であるという単一のビジョンモデルの意見を信頼する代わりに、同じマルチビュー比較をモデルのパネルに送り、その回答を集約させます。OrcaRouterは融合と200以上の個別モデルを1つのAPIの背後で公開しており、プロバイダーのリスト価格を0%のマークアップでそのまま反映し、あるプロバイダーが劣化した場合の自動フェイルオーバーを提供します。ジオメトリはお使いのGPU上に残り、その周囲の判断は配線コストをかけずに冗長化できます。

何がそれを決着させるのか

{{1}}単一のアブレーション{{/1}}は、どれだけ{{2}}仕様比較{{/2}}を重ねてもそれ以上のことをするだろう。{{3}}BEHAVEシーケンス{{/3}}を1つ取り、Hi3Dで1024³にてオブジェクトメッシュを精緻化し、正規化を解除して、未精緻化のベースラインに対してポーズと接触の指標を報告する。数値が動けば、共有バックボーンはパイプラインになる。動かなければ、Hi3Dの価値は、最も強みを発揮する場所、すなわちすでに粗いメッシュを持っている人々のためのスタンドアロンの幾何ツールとしての位置にとどまる。

その実験が存在するまでは、擁護可能な分け方は単純だ。Hi3D V1.0はオープンウェイトでベンチマークのないジオメトリリファイナーである。CARI4Dは論文と商用チェックポイントを備えたモーション再構成器である。両者はHunyuan3D-2で交わり、どちらも他方の代替にはならない。