SplatLab：3DGS研究を自動化するAI科学者の試み

概要

これまでのAI研究システムは、論文の読解、仮説の作成、コードの下書きに強みを持っていました。しかし、科学的な作業で本当に時間がかかるのはその先です。既存手法を正確に再現し、実験を継続し、失敗した案を記録し、論文中の数値を実験へ戻せる形で管理しなければなりません。SplatLabは、活発に研究が進む3D Gaussian Splatting（3DGS）を対象に、これらを一つの自律パイプラインへ組み込もうとしています。

主な仕組み

• 検証済みの再現を出発点にする。 研究プロンプト、対象論文のURL、または入力なしで開始でき、まず公表済みベースラインに合わせた再現用バックボーンを構築します。候補手法は、ゼロから巨大なコードを生成するのではなく、そのバックボーン上のプラグインを変異させます。
• 実測値で候補を競わせる。 候補は8つのアイランドに分かれ、カスケード重み付きEloトーナメントで評価されます。中心となる指標はGPUで測定したPSNRで、文章による勾配フィードバックも次の探索に利用されます。
• 失敗を選抜に組み込む。 常設の反証器が用意され、ストレステストに失敗した候補はEloを失います。これにより、たまたま高いスコアを出した手法だけでなく、テストに耐えた手法を残すことを狙います。
• 主張と実験ログを結び付ける。 生成論文の数値は、記録済みの学習実行に対応付けられます。根拠のない主張が残っている場合、処理を終了できない設計です。
• 実験から執筆までを扱う。 Mip-NeRF 360とLLFFで学習・アブレーションを行い、原稿まで生成します。プロジェクトの紹介によれば、人間によるコード編集なしで16本の原稿をエンドツーエンドに作成し、1回の実行には約24〜48時間かかります。

結果と注意点

PSNRを目標とした実験では、生成された原稿が再現した対象手法を0.18〜3.78 dB上回ったとされています。最大の3.78 dB向上は、天体写真の星雲レンダリング実験で報告されました。ただし、要約だけでは他のデータセット、評価指標、タスクへの一般化までは判断できません。公開コード、学習ログ、ベースラインの再現度、乱数管理、完全なアブレーションを確認する必要があります。

意義と限界

SplatLabの重要な点は、研究アイデアを大量に出すことより、研究プロセスを監査可能にしようとしていることです。検証済み実装から候補を作り、実測値で競わせ、失敗を評価に反映し、論文の数値に実験上の根拠を要求します。この設計が他の視覚研究リポジトリにも移植できれば、AIエージェントは執筆補助から実験プロセスの運用者へ近づく可能性があります。

一方で、自動探索は科学的発見そのものではありません。結果は目的指標、候補プラグインの範囲、計算資源、評価設計に左右されます。PSNRの上昇だけで、知覚品質や効率、説明力の向上まで証明されるわけでもありません。現段階では、SplatLabを人間の判断を置き換える仕組みではなく、再現性と追跡可能性を重視した研究基盤と見るのが適切です。

出典：Hugging Face Daily Papers