ピクセルデータから物理的な分析情報を取得する: Gemini による地理空間画像の理解

※この投稿は米国時間 2026 年 6 月 10 日に、Google Maps Platform blog に投稿されたものの抄訳です。

衛星コンステレーションからストリート レベルのリッチな画像まで、現実世界に対する前例のないレベルの視覚的アクセスが実現しています。しかし、GIS プロフェッショナル、インフラストラクチャ管理者、都市計画担当者にとって、未加工の非構造化ピクセルから構造化された空間データベースへの変換が運用上の大きなボトルネックであることは変わっていません。

これまでは、ストリート レベルの画像から自動的に分析情報（インフラストラクチャの完全性の監査、地域の駐車標識の読み取り、特定のハードウェア アタッチメントの検出など）を得るためには、高度に専門化されたカスタムのコンピュータ ビジョン モデルをトレーニングする必要がありました。このアプローチでは、何か月にもわたって手作業による境界ボックスのラベル付けを行い、継続的にモデルの再トレーニングを実施し、複雑な ML パイプラインを構築する必要があります。

しかし、Gemini Enterprise Agent Platform 上の Gemini 3.1 の高度な視覚的推論機能により、パラダイムは根本的に変化しました。さまざまな空間タスクのそれぞれについてカスタムモデルをトレーニングする時代は終わり、マルチモーダル基盤モデルにプロンプトを投げかけて現実世界について直接推論する時代が始まったのです。

この機能はあらゆる地理空間データセットに適用できますが、特に Street View Insights に適用した場合、大規模なストリート レベルの画像から優れた価値を引き出すことができ、大きな力を発揮します。

1. コールド スタートの回避: 少数ショットのビジュアル検出

従来の ML で新しいクラスのローカライズされたアセットを検出できるようにするには、ラベル付きのサンプルが何千と必要となります。そのため、GIS チームが対象を新しい自治体へと拡大する場合、その都度「コールド スタート」しなければならないという大きな問題が生じます。

Gemini 3.1 には広範なコンテキスト ウィンドウが備わっており、コンテキスト内でのビジュアル学習をシームレスに行うことができます。たとえば高度に専門化されたアセットやローカライズされたアセット（地域固有の道路標識やカスタムの自治体インフラストラクチャなど）をターゲットとする場合、数枚のビジュアル参照画像をプロンプトに直接渡せば、モデルは即座に明確なビジュアル パターンに適応します。基盤となる重みの更新は一切必要ありません。

2. ネイティブな空間認識: 境界ボックスの抽出

デベロッパーの多くは、大規模言語モデルをテキスト入力に対してテキスト出力を返すエンジンであると捉えています。しかし、Gemini 3.1 は強力なネイティブ空間認識機能を備えています。たとえば、ストリート レベルの画像を分析する場合、物理インフラストラクチャを特定し、[0, 1000] の座標空間にスケールされた 2D 境界ボックス検出を使用してそのローカライズされたピクセル座標を返します。

ワークフローでは、専用のオブジェクト検出機能を構築する必要はありません。主要なインフラストラクチャ アセット上の特定のサブコンポーネントやアタッチメントを分離するプロンプト（たとえば、対象アセット上の機器コンポーネントや街灯の位置を特定するなど）をモデルに送信するだけです。

3. コード実行による物理的および幾何学的推論

地理空間アプリケーションにおける Gemini 3.1 の最も注目すべき機能は、視覚的抽出とピクセルレベルの数学的推論を組み合わせる機能でしょう。

Gemini は画像をネイティブに理解しますが、多くの土木工学タスクでは厳密な数学的しきい値が必要です。Gemini は Gemini Enterprise Agentic Platform のネイティブなコード実行機能を活用することで、cv2（OpenCV）や numpy などの標準的なコンピュータ ビジョン ライブラリを使用して動的に Python スクリプトを作成および実行できます。

そのため、モデルは単に画像を「見る」だけでなく、アクティブにピクセルデータを理解することができるようになります。たとえば、Gemini は主要なアセットを特定し、その座標ジオメトリを抽出する OpenCV スクリプトを生成し、三角法で傾斜角を推定して構造の安定性を評価することができます。また、cv2 を使用してラプラシアンの分散を計算し、数学的なブラー指標を算出して画像のトリアージに使用することもできます。

4. 自動画質分析とビジュアル トリアージ

基となる画像が鮮明でなければ、深い視覚的分析情報を効果的に抽出することはできません。しかし実際のストリート レベルの画像フィードでは、カメラに起因するぼやけ、強い太陽光の反射、生い茂った葉や枝などによって重要なインフラストラクチャが見えにくいことも少なくありません。そのようなきわめて不明瞭な画像で高価なジオメトリ計算やデータベース取り込みを行っても、破損した GIS データしか得られません。

Gemini は視覚的な理解とトリアージに優れており、アセットが木で遮られている、照明による影で判別しにくい、モーション ブラーによりハードウェアが識別できないなどの問題を検出できるので、画像の物理的な制約を分析するよう指示して、複雑な地理空間パイプラインを開始する前の視覚的なゲートキーパーとして機能させることができます。

Gemini の画像理解を活用してプログラムで画像をフィルタリングすることで、膨大なコンピューティング リソースを節約し、高忠実度のデータのみを空間データベースに取り込むことができます。

今後の展望

構造化されていない未加工のストリート レベル画像と、高度に構造化された空間インテリジェンスの間の距離は、かつてないほど縮まっています。広範囲にわたる地理空間画像と最先端モデルのマルチモーダル推論、境界ボックス抽出、コード実行機能の統合により、空間分析は完全に実際の現実世界のデータに基づいて実行する新しい時代に入ろうとしています。

最近のアップデートと、動的な「思考、行動、観察」ループを使用して Python コード実行による画像のズーム、トリミング、分析をアクティブに行う Gemini 3 Flash の Agentic Vision などの機能により、このようなアクティブな検査が現実のものとなっています。

Google DeepMind の研究でも、生成的事前トレーニングによって、高度な 2D および 3D 理解のための強力な汎用視覚的学習が可能になることがわかっています。Gemini の能力は拡大し、基本的な抽出を行うだけでなく、未加工の地理空間画像を正確で実用的なインテリジェンスに変換するために必要なツールを実際に提供できるようになっています。

リファレンス実装

企業の開発者やデータ サイエンティストがこれらのコンセプトを運用化できるよう、Google では包括的な一連のオープンソース ノートブックを公開しています。これらのリソースでは、Gemini と Vertex AI を使用して高度な地理空間分析情報を抽出する方法を紹介しています。

GitHub の Google Maps Platform Insights Samples リポジトリでは、完全なリファレンス実装を参照し、マルチモーダル プロンプトをテストし、エンドツーエンドのパイプラインを実行できます。ご活用ください。

地理空間ユースケース別のノートブック:

• 画質分析

• アセット検査の基本

• 少数ショット学習によるオブジェクト検出

• アセットの傾斜角の検出

• アセットの高さの推定

^{冒頭の画像は、Nano Banana Pro で生成されたものです。}

- Google Maps Platform エンジニア、Sarthak Ganguly