自動運転や広域マッピングでは，空間認識のために，動画像を用いた屋外大規模シーンの効率的な 3 次元復元が不可欠である．近年，画像のみからカメラパラメータ推定と 3 次元復元を一度の順伝播で同時に実行できる 3 次元基盤モデルが注目されている．その代表例である VGGT は，GPU メモリの制約から処理可能なフレーム枚数が限られ，局所的なシーンしか復元できない課題がある．これに対して，VGGT-Long は，動画像を複数のチャンクに分割し，チャンクごとの復元結果を統合することで広大な環境の復元を可能にした．しかし，統合時に各チャンクの位置姿勢の誤差が蓄積し，大域的な復元精度が低下する問題がある．そこで，本稿では，全フレームから推定された大域的なカメラ位置姿勢を基準とし，各チャンクの復元結果を高精度に整列・統合する手法を提案す．公開データセットを用いた実験により，提案手法の有効性を検証する．