3D Gaussian Splatting で空間表現を扱い始めると、最初の壁は「学習結果をどう実用に耐える形へ仕上げるか」です。スマートフォンの撮影や 3DGS 生成ツールから PLY ファイルは作れても、出力には背景のノイズや不要な浮遊点が多く、ファイルサイズも Web に組み込むには大きすぎます。生成（学習）の手前まではツールが整っているのに、その後の後処理だけが空白になっているのです。
この後処理工程の選択肢を調べると、必ずと言ってよいほど「SuperSplat」という名前に行き当たります。一方で、nerfstudio や brush といった別の 3DGS 系 OSS の名前も同時に目に入り、「これらとどう違うのか」「自分のワークフローにはどれを組み込むべきか」が判断しづらいまま立ち止まってしまいがちです。
SuperSplat は、PlayCanvas が公開する 3D Gaussian Splat の編集ツールです。ブラウザだけで動き、インストールは不要で、ノイズ除去・サイズ最適化・Web への公開まで一通りこなせます。ただし採用を決めるには、「何ができるツールか」だけでなく「3DGS パイプラインのどの工程を担うのか」「長く依存できるメンテナンス状況か」まで把握しておく必要があります。
本記事では、SuperSplat の基本スペックと主な機能、ブラウザ完結を支える仕組みを整理したうえで、nerfstudio・brush など類似 OSS との役割の違い、GitHub のデータに基づくメンテナンス健全性を解説します。最後に、自プロジェクトで採用すべきケース・避けるべきケースを示し、ツール選定の判断材料を提供します。
SuperSplat とは何か — 3D Gaussian Splat を編集する OSS
SuperSplat は、3D Gaussian Splat を検査・編集・最適化・公開するための無料のオープンソースツールです。開発元は、WebGL ベースのゲームエンジンで知られる PlayCanvas で、ソースコードは GitHub の playcanvas/supersplat で公開されています。最大の特徴は、専用アプリケーションのインストールが不要で、モダンブラウザだけで完結する点です。
ここで前提となる「3D Gaussian Splatting（3DGS）」とは、空間を多数の半透明な楕円体（ガウシアン）の集合として表現し、写実的なシーンを高速に描画する比較的新しいレンダリング手法です。複数枚の写真から立体空間を再構成する用途で注目されており、その学習結果は一般に PLY 形式の点群ファイルとして出力されます。SuperSplat は、この PLY を入力として受け取り、編集・公開する役割を担います。
SuperSplat の基本スペック
まず、リポジトリの基本情報を整理します。下表は GitHub 上で公開されている情報に基づくものです。
項目 | 内容 |
|---|---|
名称 | SuperSplat（README 上の表記は「SuperSplat Editor」） |
開発元 | PlayCanvas |
リポジトリ | playcanvas/supersplat |
主要言語 | TypeScript |
ライセンス | MIT |
Star 数 | 8,111 |
Fork 数 | 874 |
動作環境 | モダンブラウザ（Chrome / Firefox / Safari / Edge）、WebGL 2.0 対応、GPU 加速推奨 |
導入方法 | ブラウザでライブ版を開くだけ（インストール不要） |
TypeScript と Web 技術で構築されているため、追加のランタイムやネイティブアプリは不要です。ライブ版はブラウザでアクセスすればすぐ利用でき、扱う PLY ファイルがブラウザ外に送信されない構成のため、データを手元で完結させたい場合にも扱いやすい設計になっています。
3D Gaussian Splatting における SuperSplat の立ち位置
3DGS を扱うツール群を理解するうえで重要なのは、「学習（再構成）」と「編集・後処理」を区別することです。複数の写真からガウシアンの集合を生成する工程が「学習」で、ここには相応の GPU 計算が必要になります。一方、生成された PLY からノイズを取り除き、サイズを圧縮し、Web で見られる形に整える工程が「編集・後処理」です。
SuperSplat は後者、すなわち編集・後処理に特化したツールです。写真から GS を作り出す学習機能は持たず、すでに学習済みの PLY を入力として受け取る前提で設計されています。したがって SuperSplat 単体で 3DGS の生成からはできず、別途の学習ツールとセットで使うことになります。この役割分担を理解しておくと、後述する類似 OSS との比較や採用判断がスムーズになります。
SuperSplat の主な機能と仕組み
SuperSplat の機能は、おおまかに「入力と編集」「最適化と出力」「Web への公開」の 3 つに分かれます。操作手順の詳細は PlayCanvas の公式ドキュメント SuperSplat ユーザーガイド にまとまっており、ここでは採用判断に必要な粒度で機能の範囲を整理します。
入力と編集
入力は PLY 形式の読み込みから始まります。ブラウザでエディタを開き、PLY ファイルをドラッグ&ドロップするか、シーンメニューから読み込むことでスプラットクラウドを表示できます。
編集の中心は、不要なガウシアンを取り除く選択・削除の操作です。SuperSplat は球状範囲・矩形・ポリゴンなど複数の選択ツールを備え、Set（選択し直す）・Add（選択に加える）・Remove（選択から外す）といった操作を組み合わせて対象範囲を絞り込めます。選択したガウシアンは削除でき、被写体の周囲に残った背景ノイズの除去や、特定オブジェクトだけを分離する作業がこの機能で行えます。
加えて、スプラットクラウドに対する平行移動・回転・スケーリングといった変形操作、距離測定ツールによる実寸法ベースのスケール調整も用意されています。撮影時の座標系がそのまま使えないケースでも、姿勢や大きさを整えてから後続の工程に渡せます。
最適化と出力
編集が済んだら、用途に応じて出力形式を選びます。SuperSplat は主に次の出力に対応しています。
- 通常の PLY：他のツールとの互換性を保ちたい場合の標準形式
- Compressed PLY：独自圧縮を施した PLY で、ファイルサイズが大幅に小さくなる
- Splat シーン：SuperSplat のシーン情報を保持した形式で、編集状態を残したい場合に使う
Web への組み込みを考えると、ファイルサイズは無視できない要素です。Compressed PLY は通常の PLY と比べて大きく軽量化されるため（公式の解説でおよそ 4 分の 1 程度の目安が示されています）、ページ読み込み時間や転送量を抑えたいケースで有効です。互換性を優先するなら通常の PLY、軽量化を優先するなら Compressed PLY、というように、配信先の制約に合わせて選び分けられます。スプラットクラウド全体の密度を最適化する機能もあり、不要な点を減らして表示負荷を下げる調整も可能です。
Web への公開
SuperSplat 2.0 以降では、編集したシーンをそのまま Web へ公開する機能が加わりました。エディタのメニューから公開操作を行うと共有用の URL が発行され、ブラウザでアクセスするだけでスプラットを閲覧できる状態になります。あわせて、カメラのフライスルー（視点が移動するアニメーション）を作成する機能も用意されており、単に静止したシーンを見せるだけでなく、視点誘導を含むプレゼンテーションにも対応できます。
編集から公開までを 1 つのツールで完結できる点は、後処理ツールを探しているエンジニアにとって実務上の利点です。掃除した GS を別の配信基盤に載せ替える手間を省けます。
仕組み
SuperSplat がブラウザ完結を実現できる背景には、PlayCanvas Engine という土台があります。PlayCanvas Engine は WebGL / WebGPU / WebXR / glTF に対応した Web グラフィックスランタイムで、SuperSplat はこのエンジン上に構築されています。スプラットクラウドの描画やインタラクションは PlayCanvas Engine が処理し、SuperSplat 側は編集 UI を担う、という構成です。
動作には WebGL 2.0 対応ブラウザと GPU 加速が前提となり、GitHub のトピックには WebGPU も挙げられています。つまり、Web 標準のグラフィックス技術の上に成り立っているため、特定 OS への依存がなく、対応ブラウザさえあれば同じ操作環境を再現できます。この点は、チームで環境を揃えやすいという採用上の利点にもつながります。
類似 OSS との違い — SuperSplat はどの工程を担うのか
ツール選定で迷いやすいのは、3DGS 系の OSS をすべて横並びの「競合」として比較してしまうときです。SuperSplat を正しく位置づけるには、各ツールが担う工程の違いから整理する必要があります。
3DGS OSS の二分類
3D Gaussian Splatting の OSS は、大きく次の 2 種類に分けられます。
- 学習（再構成）系：写真や動画などの素材から、ガウシアンの集合を生成するツール。GPU 計算を伴う。
- 編集・後処理系：生成済みの GS データを読み込み、掃除・最適化・公開する形に整えるツール。
nerfstudio や brush は学習系に属します。これらは「素材から GS を作る」工程を担います。対して SuperSplat は編集・後処理系の代表格で、「作られた GS を実用に耐える形へ整える」工程を担います。したがって SuperSplat と学習系ツールは、同じ土俵で優劣を競う関係ではなく、パイプライン上で前後に並ぶ補完関係にあると捉えるのが適切です。
比較表
代表的な 3DGS 系 OSS と SuperSplat を、機能範囲・採用技術・対象ユーザーの軸で並べます。各リポジトリの Star 数は本記事執筆時点の GitHub 上の値です。
ツール | 主な機能範囲 | 採用技術 | 動作環境 | 対象ユーザー |
|---|---|---|---|---|
SuperSplat（playcanvas/supersplat） | GS の編集・最適化・公開（学習機能なし） | TypeScript + WebGL 2.0 / WebGPU | ブラウザ完結 | GS の後処理・Web 公開を行いたいエンジニア |
nerfstudio（nerfstudio-project/nerfstudio） | NeRF / GS の学習（再構成）が中心 | Python + CUDA | GPU 環境（主にデスクトップ） | 研究者・GPU 環境を持つエンジニア |
brush（ArthurBrussee/brush） | GS の学習＋レンダリング | Rust + WebGPU | クロスプラットフォーム（ブラウザ・モバイル含む） | 学習まで完結させたいエンジニア |
参考として、production-grade な GS 学習をデスクトップ上で行う OpenSplat（pierotofy/OpenSplat、C++）もありますが、これも学習系に分類され、SuperSplat とは「学習 vs 編集」「ネイティブ vs ブラウザ」で住み分けます。表から分かるように、SuperSplat だけが学習機能を持たず、編集・公開に振り切っています。
どう使い分けるか
実務での使い分けは、ワークフローの工程に沿って考えると整理しやすくなります。典型的な流れは次のようになります。
- 学習系ツール（nerfstudio など）または 3DGS 生成サービスで、素材から GS を学習し PLY を得る
- SuperSplat で PLY を読み込み、ノイズ除去・変形・スケール調整を行う
- SuperSplat で Compressed PLY などに最適化し、Web へ公開する、または配信基盤に渡す
つまり多くのケースで、学習系ツールと SuperSplat は「どちらかを選ぶ」のではなく「併用する」関係になります。「nerfstudio と SuperSplat のどちらを採用するか」という問いは、実際には「学習工程に何を使い、後処理工程に何を使うか」という 2 つの選択に分解できます。SuperSplat の検討では、後処理・公開工程の要件（GUI で掃除したい、ブラウザで完結させたい、Web 公開まで一気通貫にしたい）に対して適性があるかを評価すれば十分です。
メンテナンス状況と OSS としての健全性
OSS を自プロジェクトに組み込む際に避けて通れないのが、「このプロジェクトは今後も維持されるか」という不安です。ここでは GitHub 上のデータと組織体制から、SuperSplat のメンテナンス健全性を整理します。
開発のアクティブさ
リリース頻度は、プロジェクトの活発さを測る分かりやすい指標です。SuperSplat のリリース履歴は GitHub の Releases ページ で確認でき、本記事の調査時点では v2.26.1（2026-05-14）が最新でした。直近では 2.25 系から 2.26 系へと週次に近いペースでリリースが続いており、リポジトリへの最終 push も 2026-05-14 と新しい状態です。バージョニングはセマンティックバージョニングに沿っており、メジャー 2 系が安定運用フェーズにあることがうかがえます。
Star 数は 8,111、Fork 数は 874 で、一定の利用者基盤と派生開発の関心を集めています。open issues は 144 件あり、これはバグ報告や機能要望が継続的に寄せられていることを示します。未解決 issue が一定数あること自体は、活発に使われているプロジェクトでは自然な状態であり、停滞のサインではありません。
組織体制とエコシステム
メンテナンスの持続性を考えるうえで重要なのは、個人プロジェクトか組織プロジェクトかという違いです。SuperSplat は PlayCanvas という開発元（企業と OSS コミュニティ）がメンテナンスする組織リポジトリであり、特定の個人 1 人に依存する構成ではありません。コントリビューターも複数名が確認でき、いわゆるバス係数（主要開発者が離脱した場合のリスク）は相対的に低いといえます。
さらに SuperSplat は単独で存在しているわけではなく、PlayCanvas のエコシステムの一部です。描画基盤である PlayCanvas Engine は Star 15,000 を超える成熟したプロジェクトで、SuperSplat はその上に構築されています。User Guide を提供する開発者向けドキュメントサイトも同じ組織が運用しています。土台となるエンジンが広く使われ継続的に開発されていることは、SuperSplat の持続性を支える間接的な根拠になります。加えて、PlayCanvas Engine で構築する WebGL アプリケーションへ GS シーンを組み込む導線が自然に得られる点も、エコシステムに乗るメリットです。
ライセンスと利用上の前提
SuperSplat のライセンスは MIT です。MIT ライセンスは制約が緩いことで知られ、著作権表示とライセンス文を保持すれば、商用利用・改変・再配布が広く認められます。受託開発の成果物や自社プロダクトに組み込む場合でも、ライセンス面のハードルは低いといえます。
ただし、ライセンス条件は将来変更される可能性もゼロではないため、採用時点で GitHub リポジトリの LICENSE ファイルを直接確認しておくことをおすすめします。また、SuperSplat 自体は MIT でも、扱う GS データそのものの権利関係（撮影対象や素材の権利）は別問題であり、これはツールのライセンスとは切り離して判断する必要があります。
SuperSplat を採用すべきケース・避けるべきケース
ここまでの内容を、採用判断に直接つながる形へ整理します。
SuperSplat が適しているケース
次のような状況であれば、SuperSplat は有力な選択肢になります。
- 学習済みの GS（PLY）を持っており、ノイズ除去・変形・最適化・Web 公開といった後処理を行いたい
- 専用アプリケーションのインストールを避け、ブラウザだけで完結させたい
- 最終的な配信先が Web であり、Compressed PLY による軽量化や PlayCanvas / WebGL 系での公開を見据えている
- チームで作業環境を統一したい。GUI ベースのため、CLI に不慣れなメンバーでも扱いやすい
- 編集から共有 URL の発行まで、1 つのツールで一気通貫に進めたい
いずれも、3DGS パイプラインの「後処理・公開工程」に課題を抱えているケースです。これが SuperSplat の本来の守備範囲です。
向かないケース・現時点の制約
逆に、次のような要件には SuperSplat 単体では応えられません。
- 写真や動画から GS を生成すること自体が目的：SuperSplat に学習機能はなく、学習系ツール（nerfstudio など）が別途必要です
- 非常に大規模なシーンを扱う：ブラウザ上で動作するため、極端に巨大なスプラットクラウドではブラウザの性能が制約になり得ます
- オフライン環境やネイティブアプリ前提のパイプラインに統一したい：ブラウザ動作が前提のため、完全オフライン・ネイティブ統一の要件とは噛み合いにくい場合があります
これらは「SuperSplat の欠点」というより「役割の境界」です。学習が必要なら学習系ツールと併用し、後処理だけを SuperSplat に任せる、という切り分けが現実的です。
採用前に確認する方法
最終判断の前に、自分のデータで挙動を確かめておくと安心です。確認の手段は 2 つあります。
1 つ目は、公式のライブ版エディタ superspl.at/editor を使う方法です。ブラウザでアクセスし、手元の PLY を読み込めば、選択・削除・最適化・出力といった一連の操作が自プロジェクトの要件を満たすかを確認できます。インストールが不要なため、最も手早い検証手段です。
2 つ目は、ローカル開発環境を立ち上げる方法です。SuperSplat の README によると、ローカルでの実行には Node.js 18 以降が必要で、リポジトリをクローンした後に次の手順で起動できます。
npm install
npm run develop
出典: https://github.com/playcanvas/supersplat（README）
起動後はローカルホストの開発サーバーにブラウザでアクセスして利用でき、ソースの変更を検知して自動でリビルドされる構成になっています。挙動をカスタマイズしたい場合や、社内環境に合わせた検証を行いたい場合は、このローカル環境での確認が選択肢になります。
まとめ
SuperSplat は、3D Gaussian Splat の編集・最適化・公開を担うブラウザ完結型の OSS です。学習（再構成）機能は持たず、学習済み PLY を入力として後処理する「下流工程」のツールであり、nerfstudio や brush といった学習系 OSS とは競合ではなく併用の関係にあります。ツール選定では、「どれか 1 つを選ぶ」のではなく「学習工程に何を、後処理工程に何を使うか」という分解で考えると迷いが減ります。
メンテナンス面では、週次に近いリリースペース、PlayCanvas という組織による維持体制、Star 15,000 超の PlayCanvas Engine を土台とするエコシステムが、依存先としての安心材料になります。ライセンスは MIT で、商用プロジェクトへの組み込みもしやすい条件です。
採用判断の要点は明確です。学習済み GS の掃除・軽量化・Web 公開という後処理工程に課題があり、ブラウザ完結や GUI ベースの作業を望むなら、SuperSplat は有力な選択肢になります。一方、GS の生成そのものが目的なら学習系ツールが別途必要です。最終的には、ライブ版エディタやローカル開発環境で自分のデータを実際に読み込み、要件を満たすかを確認したうえで採否を決めることをおすすめします。
