李飞飞团队发布 Atlas：从一张图补全可交互的三维世界

导语

李飞飞创办的 World Labs 发布了名为 Atlas 的新一代世界模型。根据公开介绍，Atlas的目标并不只是生成一段看起来连贯的视频，而是理解场景的空间结构、时间变化以及相机如何在其中移动。用户可以从一张或多张图片出发，让模型补全一个可从不同视角观察的三维世界。

核心能力

• 受控相机生成：模型能够根据输入图片生成具有像素级相机控制的图像和视频，最高支持输出1分钟、1440p视频。相机轨迹越复杂，其与现有视频模型的差异越可能显现。
• 稀疏视角重建：Atlas可以利用一张到数十张图片重建真实场景，既生成新视角帧，也输出显式的3D表示。素材称，其效果超过当前专门进行3D重建训练的开源模型。
• 时空建模：输入视频后，模型可同时处理空间和时间信息，用于改变观察视角、制作视觉效果，也可服务于机器人 Real-to-Sim 流程。
• 多模态生成：除图像和视频外，Atlas还支持文本生成图片与360度全景图，并能处理相机位姿、深度图等数据。

技术路线

Atlas采用多模态自回归扩散Transformer。文本、图像、视频、深度图和相机位姿会被组织成带有三维位置的序列，形成统一的空间上下文；模型再依据上下文逐步生成后续内容。自回归机制提供了灵活的任务编排方式，扩散过程则负责生成高维连续的图像与视频数据。World Labs还提到，模型从设计上兼容KV Cache、扩散蒸馏等规模化和推理优化技术。

对机器人意味着什么

Atlas最值得关注的方向可能是具身智能。机器人训练通常需要大量可控、低成本且覆盖多种情况的数据。若只提供几张真实环境照片，模型就能生成相应的RGB与深度数据，并构建可变化的模拟空间，那么真实世界到仿真环境之间的转换就会更顺畅。结合World Labs此前对“模拟器”价值的强调，以及其公开的 Real-to-Sim-to-Real 方向，Atlas显然承担着连接视觉建模与机器人训练基础设施的角色。

不过，世界模型生成的几何结构、深度和动态是否足够可靠，仍需要在更多任务中验证。当前Atlas仅向部分合作伙伴开放早期访问，公开材料也主要集中在相机控制生成和3D重建评测。它展示了统一空间上下文的路线潜力，但距离稳定、通用的物理模拟器仍有现实差距。

来源：量子位