Apple、数枚の画像から3D頭部アバターをリアルタイムで動かす手法GHARP（ガープ）を論文で公開Ava-256で最高水準の品質、A100上で最大13倍高速・ガウシアン数は8分の1と著者ら

Appleの機械学習研究チームは、数枚の入力画像と表情を表す信号から3D人間の頭部をリアルタイムで動かす手法「GHARP（ガープ）」を論文として公開した。同チームの研究ページには「published October 2026」と表示されており、公開通知（RSS）の日付は2026年10月26日。著者らは、Ava-256ベンチマークで最高水準（state-of-the-art）の品質を達成しつつ、A100 GPU上で最大13倍速く、ガウシアン数は8分の1だと述べている。

3行まとめ

1. Appleの機械学習研究が、数枚の画像から3D頭部をリアルタイムで動かす手法GHARPを論文で公開（アジアコンピュータビジョン会議 ACCV の論文）
2. 被写体の形と見た目を事前に作る「アイデンティティ段」と、モバイル向けに最適化した軽量ネットワークで表情の差分を予測する「アニメーション段」の2段構成
3. Ava-256ベンチマークで最高水準の品質、A100上で最大13倍高速、ガウシアン数は8分の1と著者らが報告

本記事の内容は、日本時間2026年10月27日5時台に公式ページで確認したものです。

GHARPは何をする手法なのか

研究ページの概要（abstract）によると、GHARPは「被写体の数枚の入力画像」と「駆動となる表情信号」から、3D人間の頭部をリアルタイムでアニメーションさせる方法である。問題を次の2段に分けている。

著者らはこの分離について、忠実度・品質・実行時間のバランスで有利だと説明している。アイデンティティ段は重くてもよく、実行時に動く部分だけを軽くできる、という考え方だ。

事前学習済みの再構成モデルの「潜在空間」で動かす

概要によれば、アニメーションは「事前学習済みの再構成モデル」の潜在空間（意味のまとまりに沿って構造化された内部表現）の上で行う。その空間では表情の変化が空間的に局所にとどまるため、差分の予測が効率的になるという。また、この再構成モデルの事前知識（prior）が一貫した空間配置を与えるので、複数の入力画像を「コンパクトで固定サイズの標準ガウシアン表現」に統合できる、と書かれている。

ここでいうガウシアンは、3D表現の構成要素のこと。同じページに関連研究として並ぶHUGSの概要は「3D Gaussian Splatting（3Dガウシアン・スプラッティング）」という表現を使うと書いているが、GHARPの概要自体はこの名前を出しておらず、頭部を「canonical Gaussian representation（標準ガウシアン表現）」として持つと述べるにとどまる。

何が課題で、どう解決したのか

概要は、表情コードの限界も説明している。表情コードは顔だけを記述するため、体のポーズや服の位置が入力で指定されない（underspecified）。アニメーション用のネットワークは、そのため「矛盾する体の見え方を平均してしまう」不適切な対応づけ（ill-posed mapping）に直面し、ぼやけと時間方向のちらつきが出るという。

この問題に対し、著者らは「body alignment network（体の位置合わせネットワーク）」を加えた。目標画像の中の人物の体を入力の参照画像に合わせて整列させることで、学習信号から曖昧さを取り除く仕組みだと書かれている。

数字は何を比べたものか

公式ページの概要にある数字や評価は次の3点だ。

「最大13倍」「8分の1」が、どの手法のどの設定との比較なのかは、今回確認したページの概要には書かれていない。本文の表や図は取得したページに含まれておらず、論文の中身までは確認できていない。数字は著者らの報告として読む必要がある。

誰がいつから使えるのか・日本では

Appleの製品やサービスとして提供される、という記載は今回確認した公式ページには見当たらなかった。これは研究論文の公開であり、概要で製品に触れているのは「モバイル端末向けに最適化した軽量ネットワーク」という一文にとどまる。料金や提供地域、日本での扱いも同ページには書かれていない。ページの「View publication」からは、arXiv（2610.10945）の論文ページへ移動できるリンクが張られている。

著者は17人で、ページ上では先頭の4人（Ali Benlalah、Sepehr Johari、Patricia Vitoria、Armin Kappeler）に「Equal Contributors」の印が付いている。

前の研究との関係は

同じページの関連リンクには、Appleの過去の頭部・人体の研究が並んでいる。

• 2026年5月8日の「Large-Scale High-Quality 3D Gaussian Head Reconstruction from Multi-View Captures」（ECCV）。複数カメラの映像から高品質な3Dガウシアン頭部を再構成する手法「HeadsUp」を扱う
• 2023年12月7日の「HUGS: Human Gaussian Splats」。動き回る人間をシーンごと3Dガウシアンで表す研究

GHARPの概要には「pretrained reconstruction model（事前学習済みの再構成モデル）」を使うとあるが、これが上記のHeadsUpなのかどうかは、今回確認したページには書かれていない。関連リンクとして並んでいる、という事実だけを書いておく。

Appleの機械学習研究の別の論文については、小型検索エージェントの推論を「書く」から「選ぶ」に変えるSSRの記事でも取り上げた。

公式ページを読んで気づいたこと

日本時間10月27日5時台に取得したページを確認した範囲では、GHARPのページから抜き出したテキストは関連研究の紹介まで含めて約3,800文字で、GHARP自体の説明は論文の要旨（abstract）1段落だけだった。残りは著者名、関連研究2本の紹介、リンクで構成されていた。画像や動画のデモに当たる要素は、取得したテキストからは読み取れなかった（テキストだけを抜き出しているため、画面上に実際にあるかどうかは断定できない）。筆者はこの手法を動かしておらず、画質やちらつきの程度を自分の目で確かめたわけではない。

要旨だけでは分からない4点

• 比較対象の手法名と、「最大13倍」「8分の1」の条件。今回の取得範囲は概要のみ
• 実機（スマートフォン等）での速度。概要は「モバイル向けに最適化」と述べるが、モバイル端末上の計測値は概要に出てこない。数字として出ているのはA100 GPU上の結果だけ
• コードやモデルの公開の有無。今回確認したページには記載が見当たらなかった
• Appleの製品への搭載予定

出典と確認時刻

• GHARP: Real-Time Gaussian Head Animation from Large-Scale Reconstruction Prior — Apple Machine Learning Research（日本時間2026年10月27日5時01分に取得）

本記事は続報があり次第更新します。