1. WEBカメラ映像取得
getUserMedia APIで映像ストリームを取得（1920x1080）
↓
2. 深度マップ推論
MiDaSモデル（ONNX）で深度推定、WebGPU使用（512x512）
↓
3. 手のランドマーク検出
MediaPipe Handsで21個のランドマークを検出（信頼度0.7）
↓
4. 座標系変換
MediaPipe座標 → Three.js座標（Y軸・Z軸反転、スケール150）
↓
5. 3D空間に表示
球体マーカー + チューブ接続線で手の形状を可視化
↓
6. リアルタイム更新
30fpsでランドマークを更新、手の動きを追跡