概要
World Labsが発表した「Atlas」は、テキスト・画像・動画・3Dを統合的に処理し、ピクセル精度のカメラ制御や高度な3D空間再構成を実現するマルチモーダル自己回帰拡散トランスフォーマーです。
詳細内容
### 空間知能の基盤となる「Atlas」の概要
World Labsは、世界の構造や動作、進化を理解し、シミュレーションするための次世代ワールドモデル「Atlas」を発表しました。Atlasは、テキスト、画像、動画、3Dデータをネイティブに扱う「オムニモデル」であり、マルチモーダル自己回帰拡散トランスフォーマーという独自アーキテクチャを採用しています。
### 主要な機能と性能
- **高度なカメラ制御**: 1枚以上の参照画像から、指定したカメラパスに沿って最大1分間の1440p動画を生成します。従来のテキスト指示による制御ではなく、幾何学的に正確なカメラ位置を直接入力可能です。
- **空間再構成と3D出力**: わずか数枚の画像から3D空間を再構成。点群や3D Gaussian Splattingとして出力でき、従来の専門的な3D再構成モデルを凌駕する精度を誇ります。
- **時空間シミュレーション**: 普通のスマートフォンで撮影した数本の動画から「バレットタイム」のような視点変更を可能にするほか、ロボットの学習に向けたReal-to-Simワークフローを提供します。
### 技術的革新
Atlasは、すべての入力を3D空間上の「空間コンテキスト」として配置し、LLMのように次の要素を逐次生成します。このモデルは計算量の増加に伴って性能が向上するスケーリング特性を持っており、今後の空間知能の発展における中核となることが期待されています。