ボリュメトリックビデオ（volumetric video）は、複数台のカメラで3D空間全体を収録し視聴者が任意視点を選ぶ4次元映像技術だ。スポーツ観戦でフィールドレベルの視点を自由に切り替えたり、コンサート会場内を自由移動するような体験を実現できる。ところが30分の映像で、その容量はテラバイト規模に膨れ上がり、NetflixやYouTubeが使う標準的な動画配信インフラとまったく異質なデータ形式のため、専用のストレージ・転送システムが別途必要だった。ボリュメトリックビデオは保存もストリーミングも極めて困難で、形式はインターネット上で走る既存インフラ（コンピュータ、ストリーミングサービス、ビデオコーデック）と完全に異質な存在だ。
ブラウン大学コンピュータサイエンス学部のInteractive 3D Vision and Learning Lab（IVL Lab）が開発したPackUVは、この課題を根本から解決する手法だ。3D Gaussian Splatting（3DGS）と呼ばれる3D表現技術をUV Atlasにマッピングすることで標準ビデオコーデックと互換性を持つ形式に変換し、NetflixやYouTubeが使うのと同じインフラでボリュメトリック動画を配信できるようにする。研究チームは論文内で「ボリュメトリックビデオにおける初の統一表現」と位置づけており、2026年6月にCVPR（IEEE/CVF Conference on Computer Vision and Pattern Recognition）での発表が予定されている。
30分のボリュメトリック動画がなぜテラバイトになるのか
3D Gaussian Splattingは、3D空間を数百万個の楕円形の点（ガウシアン）で表現する手法だ。各ガウシアンは位置・形状・色・透明度などのパラメータを持ち、これらを組み合わせることでリアルタイムに高品質な3Dシーンを描画できる。静止した3Dシーンの表現としては非常に優秀な技術だが、動画になるとデータ量の問題が顕在化する。
30FPSの3DGSビデオでは、1フレームあたり約49MBのデータが発生するとされる。1秒間に30フレーム、1分で1,800フレーム——30分の映像ではフレーム数だけで54,000枚に達し、単純計算でテラバイト規模になる。これだけでも配信は現実的でないが、さらに深刻な問題がある。
各フレームの数百万個のガウシアンはシーンの変化に合わせて位置や形状が変わるため、動画圧縮の基本原理である「フレーム間の差分を使った圧縮」が機能しない。H.264やH.265といった標準コーデックは隣接フレームの類似性を利用して圧縮するが、3DGSのガウシアン群はフレームをまたいだ対応関係（どのガウシアンがどのガウシアンに対応するか）が定まっていない。この「対応関係の欠如」こそが、既存の配信インフラをそのまま活用できない根本的な理由だ。
地球儀を地図に変える発想：PackUVの核心技術
PackUVの解決策は、3DGSのガウシアン群を2D UV Atlas（UVアトラス）にマッピングすることだ。UV Atlasは3Dモデルの表面を2D平面に「展開」した地図のようなもので、3Dグラフィックスの世界では長年使われてきた概念だ。地球儀の球面を平面の世界地図に投影するのと本質的には同じ発想——3次元的に分布するガウシアン群を、規則正しく並んだ2Dグリッドとして配置し直す。
この変換によって、ガウシアン群に「安定したインデックス（番号）」が付く。UV Atlasにマッピングされた後、各ガウシアンはグリッド上の固定した位置を持つ。すると、あるフレームのガウシアンと次のフレームのガウシアンが「同じインデックス番号のもの同士」として対応付けられる。この対応関係が確立した瞬間、フレーム間差分を利用する標準ビデオコーデックが初めて機能し始める。ガウシアンのパラメータ（位置・形状・色など）の変化量をフレームごとに記録すれば、それは「普通の動画フォーマット」として扱えるデータになる。
研究チームはこの変換後のデータをFFV1などの標準ビデオコーデックで圧縮し、最終的にNetflixやYouTubeの配信インフラと互換性を持つ動画ファイルとして出力する。4Dシーン全体を通常の動画に変換してインターネット経由でストリーミングし、友人と共有できるようにする——この目標を標準コーデックとの完全互換で達成したことが、PackUVが持つ根本的な革新点だ。
視界から消えるボールを見失わない：長尺動画への対応
UV Atlasへのマッピングには難題がある。現実の動画では、物体が一時的に別の物体の陰に隠れる「オクルージョン」が頻繁に発生する。バスケットボールの試合で選手がボールを隠したとき、そのボールを表すガウシアンは視点によっては見えなくなる。見えないガウシアンに「正しいインデックス番号」を割り当て続けるのは容易ではなく、従来の3DGS系手法が長尺シーケンスで不安定になる主因のひとつだった。
PackUVはこの問題を「チャンク分割＋フロー誘導Gaussianラベリング」という方式で解決する。まず動画を短いチャンク（断片）に分割し、各チャンク内でガウシアンのトラッキングを安定させる。チャンク間の境界では、オプティカルフローと呼ばれる映像内の動き推定技術を使って、前後のチャンクでガウシアンのインデックスを引き継ぐ。視界から一時的に消えたガウシアンも、動きの流れから位置を推定してインデックスを保持し続けることで、長い時間スケールにわたってGaussian群の対応関係を安定維持する。
従来手法が数分程度の短いシーケンスに限られることが多かったのに対し、PackUVは30分の長尺ボリュメトリック動画を安定処理できる。スポーツ中継の実用的な1試合分をカバーするには不可欠な性能だ。
50台のカメラで築くPackUV-2Bデータセット
PackUVと同時に公開されたPackUV-2Bデータセットは、研究の基盤として設計されたものだ。研究チームが「史上最大のマルチビュー動画データセット」と位置づけるこのデータセットは、50〜90台の同期カメラを使って撮影した100シーケンス・20億フレーム超を収録している。バスケットボール・ピクルボールといったスポーツから、調理・木工といった日常作業まで、スタジオ環境と屋外モバイルカメラアレイの両方で撮影した多様なシーンが含まれる。
大規模データセットの公開は、技術開発の競争地図を変える可能性がある。ボリュメトリックビデオの研究が進まない原因のひとつは、高品質な学習・評価用データの入手困難さだった。50台以上の同期カメラを用意し長時間撮影するコストは、個々の研究グループには重い負担だ。PackUV-2Bを公開することで、他の研究者が同じ土台の上で手法を比較・改善できるようになる。データセットの公開は論文発表と並行して行われており、研究コミュニティがすでにアクセスできる状態にある。
スポーツ中継・デジタルツイン・ライブ配信の先に見えるもの
スポーツ中継での応用は最も直感的にわかりやすい。フィールド上に仮想カメラを置き、視聴者が試合の視点を自由に切り替える構想は以前から存在していたが、ボリュメトリックデータの巨大さとインフラ非互換性がボトルネックだった。PackUVが既存の配信インフラで4D映像を扱える形式を実現するなら、専用ハードウェアを必要とせずに実験的なサービスを試せる余地が広がる。製造業では工場や生産ラインのデジタルツインを動態で記録し、遠隔地から任意視点で点検・分析するユースケースも想定される——「エンタメとスポーツでの実用はもちろん、現実世界のデジタルツインを必要とする分野でも同様の需要がある」とSrinath Sridhar助教授は指摘する。
Fortune Business Insightsの予測によれば、ボリュメトリックビデオ市場は2025年時点で43億ドル、2034年には350億ドルに達するとされる（年平均成長率26.7%）。北米が35%のシェアで最大市場を占めるが、アジア太平洋地域が最も高い成長率で追うとされ、スポーツ・エンタメ・医療訓練・eコマース向けの需要が市場を押し上げると見られている。PackUVの理論的な貢献は、この350億ドル市場に向かう技術的な議論の土台を整えた点にある——既存配信インフラとの互換性という最大の障壁が、論文レベルで突破されたのだ。
実用化に向けて残る課題は、リアルタイムエンコード性能と多視点ストリーミング時の帯域効率だ。商用実装でこれらをどう克服するかは、CVPR 2026での発表と査読を経て研究コミュニティが検証していく。研究費はOffice of Naval ResearchとNational Science Foundation Career Awardから提供されており、最高峰のコンピュータビジョン学会での発表が学術的精査の起点となる。