画像の切り抜きで知られる「Segment Anything」に新世代モデルが登場しました。発表によると、SAM 3は画像と動画の物体検出・セグメンテーション・追跡を一体でこなせるほか、短いテキストフレーズや例示（エグザンプル）によるプロンプトにも対応。さらに3D領域に踏み込む「SAM 3D」も公開されています。
発表の概要
新世代SAMの位置づけ
「Segment Anything Models（SAM）」の新世代として、SAM 3とSAM 3Dが同時にアナウンスされました。SAM 3は、従来の静止画セグメンテーションから進化し、動画にも対応して検出・領域分割・追跡を統合的に実行できる点が大きな特徴です。
対応する入力とプロンプト
SAM 3は、短いテキストフレーズを用いた指示や、例示となるサンプル（エグザンプル）を提示して対象を指定できるプロンプトに対応します。これにより、従来のクリックやバウンディングボックスに加え、直感的な条件指定でのセグメンテーション・追跡が可能になります。
公開情報と入手先
詳細は公式の案内から確認できます。SAM 3の概要はこちら、SAM 3Dはこちらを参照してください。
SAM 3の注目ポイント
動画まで拡張された追跡
単一フレームでの領域抽出だけでなく、動画全体で対象を追い続けられる点が実務で強力です。シーンが変化しても物体をたどれるため、編集、アノテーション作業、監視、スポーツ解析などの時間軸を伴うユースケースで効率化が見込めます。
短いテキストや例示プロンプトによる指示
「赤い車」「手前の人」などの短文や、代表例を示すことで対象を指定でき、操作がシンプルに。専門的なツール操作に慣れていない現場でも、チーム内の共通言語で高精度な抽出・追跡を始めやすくなります。
現場導入のメリット
検出・分割・追跡を一体化することで、パイプラインの設計・保守コストを抑えられます。アノテーションや編集の反復作業を削減し、少ない手順で安定した結果を得られる点は、制作・運用の双方で大きな利点です。
- データセット作成の高速化（動画アノテーションの効率改善）
- 映像編集・VFXでの対象抽出とマスキングの自動化
- ロボティクスや小売での在庫・動線把握の基盤整備
- 安全管理やモニタリングでの対象追跡の精度向上
SAM 3Dの可能性
3D対応の意義
SAM 3Dは、セグメンテーションの枠組みを3Dへ広げる取り組みとして紹介されています。詳細仕様はリンク先の情報に委ねられていますが、空間理解が求められる領域での活用が期待されます。
想定ユースケース
- デジタルツインやAR/VRでのシーン分割・オブジェクト操作
- 建築・土木における空間スキャン後の要素別解析
- 自動運転・ロボティクスでの3D認識の前処理
- 医用画像や産業検査での立体的な領域抽出
研究・開発コミュニティへの影響
2Dと動画、さらに3Dまで視野に入れた一連の発表は、マルチモーダルな認識・編集ワークフローの標準化を後押しします。共通APIやデータ形式が整えば、学習・評価・デプロイの再利用性が高まり、実装のスピードと品質が両立しやすくなります。
今後の展望
まずはSAM 3で動画処理の効率化を図りつつ、SAM 3Dの詳細公開や対応ツールの拡充を待ちたいところです。公式情報（SAM 3／SAM 3D）を確認し、既存の編集・解析パイプラインにどこから組み込めるかを早期に検討するのが得策です。
