World LabsがAtlasを発表——「空間知能」を目指す汎用ワールドモデル 三次元空間における位置・向き・軌道を高精度にシミュレーション可能
World Labsは、テキスト・画像・カメラの位置姿勢・深度を同一の三次元コンテキストに統合。指定したレンズワークに沿った動画生成に加え、点群やGaussian Splatting、ロボットのセンサービューも補完できます。
- Atlasの核心的な変更点は、カメラの位置姿勢をネイティブ入力として扱うことです。ユーザーはテキストでのカメラ操作指示ではなく、三次元の軌道で各観測位置を制御できます。
- 新視点生成、スパース画像からの再構成、点群とGaussian Splattingの出力、バレットタイム、ロボット向けRGB/深度シミュレーションを、単一モデルで実現します。
- 入力が少ない場合は生成による補完が多くなり、入力が増えると現実の制約が強化されます。ただし、未観測領域は計測上の事実として扱えません。
- 公式ベンチマークでは、カメラ追従と三次元点群マップの精度が複数の比較モデルを上回っています。ただし、サンプル規模・コスト・遅延・学習の詳細・独立した再現性は未公開です。
World Labs は、新しいワールドモデル「Atlas」を公開しました。これは「空間知能」を目指した汎用ワールドモデルとして紹介されています。テキスト、画像、カメラポーズ、深度マップを受け取り、これらの入力を同じ三次元空間コンテキストに統合した上で、新しい視点、ビデオフレーム、深度、そして明示的な3D表現を生成します。現在のAtlasは、一部のパートナー向けの初期アクセス段階にあります。
今回の発表で最も大きなポイントは、カメラ自体がモデルのネイティブな入力になったことです。ユーザーは「カメラを左にパン」や「低いアングルから前進する」といったテキストプロンプトを書くだけでなく、三次元空間内でのカメラの位置、向き、移動軌跡を直接指定できます。モデルはそれに基づき、各フレームをどこから見て何を映すべきかを決定し、異なる視点が同じ空間に属するように努めます。
これは、Atlasがビデオ生成、三次元再構築、VFX、ロボットシミュレーションという四つの文脈で同時に言及される理由も説明しています。これら四つのアプリケーションに共通する根本的な問題は、「ひとつの世界が、異なる位置、異なる時間、異なるセンサーでどのように見えるべきか」だからです。
画像から世界へ：入力画像が既存の内容を拘束し、カメラを動かすと、モデルが画面外の空間を続けて生成します。
World Labs 公式デモ。メインのデモは720pのローカルプレビューをトランスコードしたもので、内容は未編集です。画像・動画ともに第三者による実測結果ではありません。
再生ボタンをクリックしてオリジナル動画をご覧ください。シークバーをドラッグすると、長回しでの空間の連続性を確認できます。
一つの仕組みでつながる四つの能力
Atlasの入力は、単に散らばった参照画像というわけではありません。各画像と深度マップは明確なカメラポーズに紐付けられており、テキスト、画像、カメラ、深度が一体となって「空間コンテキスト」を形成します。その後、モデルはシーケンスに沿って、次の画像、指定されたカメラ軌跡上の次のフレーム、対応する深度、またはエクスポート可能な三次元データを、順番に生成していきます。
重要なポイント：カメラは曖昧なカメラワークのプロンプトではなく、空間コンテキスト内の幾何学的な条件です。
下のフレーム、動画、深度マップは、World Labs 公式のモデルアーキテクチャ図からのものです。
アーキテクチャ図内の動画をクリックして、モデルがシーケンス内の次の項目をどのように生成し続けるかを観察してください。
この構造により、四つのカテゴリーの機能が実現されます。
- カメラ制御生成: 単一または複数の参照画像から、指定されたカメラ軌跡に沿った新しい視点とビデオを生成します。公式ページの上限デモは、1440p、1分です。
- スパースビュー再構築: 一枚から数十枚の写真を使用して新しい視点を補完し、ポイントクラウドまたは3D Gaussian Splattingシーンを出力します。
- 時空間再構築: 少数の通常カメラで撮影されたダイナミックな映像を再構成し、アングルを変えて「バレットタイム」のような効果を生み出します。
- Real-to-Sim: 現実環境の少数の画像からシミュレーションシーンを構築し、ロボットのボディカメラ軌道からRGBと深度観測を生成します。
Atlasは、テキストからの画像生成、テキストレンダリング、360度パノラマ画像も処理できますが、これらは統一モデルが副次的にカバーするタスクであり、今回の発表の主目的ではありません。
カメラ制御がテキストプロンプトより優れている理由
一般的なビデオモデルは、通常、カメラの動きを言語的な意図として扱います。ユーザーが「crane up」と書くと、モデルはおおよその上昇カメラワークを理解しますが、変位、角度、速度を厳密に実行するとは限らず、複雑な軌道での空間的一貫性を保証することはさらに困難です。
Atlasは、カメラジオメトリを入力シーケンスに直接組み込みます。World Labsの説明によると、各画像と深度マップは明示的なカメラポーズによって制約されます。これにより、ユーザーはカメラパスを手動で設計でき、モデルのタスクは、指定された各位置で既存の空間コンテキストに適合する画像を生成することになります。
ここでの「ピクセルレベルのカメラ制御」は誤解されやすい表現です。これはカメラ軌道を正確な幾何学的パラメータとして入力できることを意味し、モデルが現実をピクセル単位で忠実に再現することを意味するものではありません。カメラが素材に写っていない領域を向いている場合、Atlasはトレーニングで学習した世界知識を使用して補完する必要があります。公式の単一画像の例では、モデルはロボットの背面を生成し、プールの横に芝生があるだろうと推測しました。これらのコンテンツはもっともらしく見えますが、元の画像から復元された事実ではありません。
公式ツイートでは、1440p、1分間のデモが7枚の参照画像から生成されたと説明されていますが、ブログの一般的なビデオ機能の説明では「1〜6枚の入力画像」と記載されています。ページには、これらの二つの数値がどのように対応するかについての説明がないため、より安全な結論は次のとおりです。Atlasは、少数の参照画像と手動のカメラ軌道から長いビデオを生成する機能を示していますが、具体的な入力上限とカウント方法については、製品ドキュメントで明確にする必要があります。
空間アンカー：2つの入力が局所的な外観を固定します。入力には存在しない中間の接続空間は、モデルによって生成されます。
長回し：公式のオリジナル映像は1440p・60秒です。ここでは、60秒すべてを含む720pのローカルプレビューをトランスコードしたものを使用しています。
World Labs 公式の入力と出力。アンカー以外の領域、参照画像がカバーしない背面や接続関係は、生成による補完の可能性があります。
まず入力画像を確認し、その後で出力を再生してください。カメラが未撮影領域を通過する際に、モデルがどの部分を補完しているかに注目しましょう。
「再構築」と「想像」が同じ線上にある
従来の三次元再構築は、カメラが実際に見た幾何学形状を復元することを目的としています。一方、生成モデルは、観測されなかったコンテンツを補完するのが得意です。Atlasはこれら両方を同じモデルに統合しています。入力が少ない場合はより多くの想像力が必要となり、入力が増えると、空間コンテキストによる結果への制約が強くなります。
広い範囲を補完に依存
比較的忠実な再構築が可能
空中経路を生成
より多くの現実的なディテール
明示的な 3D は結果が3Dツールで利用可能であることを示すだけで、すべての領域が実際の計測に基づくことを意味するわけではありません。
World Labsの例は非常に直感的です。地面の写真が一枚だけでは庭の範囲を制約するのに十分ではなく、モデルが上空から見た他の建物は主に推測に依存しています。隣接する家の写真を追加すると、その家は固定されますが、左側の家は依然として生成コンテンツです。メインの建物の写真を追加して初めて、シーン全体がより多くの現実的な制約を得ることができます。Stanford Main Quadのデモでは、2〜25枚の地上写真を使用していますが、高所からのフライバイビューを生成できます。また、公式には、モデルの空間コンテキストは100枚以上の画像を収容できるとされています。
World Labs 公式デモ。複数の軌道が同じ入力セットを共有しますが、それぞれが個別に生成されているため、すべての経路間で計測レベルの一貫性が自動的に保証されるわけではありません。
4つの経路をそれぞれ再生し、異なる観察軌道において、同じシーンのレイアウトと外観が一貫しているかを比較してください。
したがって、Atlasの「再構築」は、測定結果と当然同一視されるようなデジタルツインではありません。それが出力するのは、観測された領域と生成によって補完された領域のハイブリッドです。映画のプレビジュアライゼーション、ゲームシーン、インタラクティブな閲覧には、このような合理的な補完は非常に価値があります。しかし、エンジニアリング計測、事故調査、正確な寸法が必要なタスクでは、未観測領域は推測として扱われ、現場の事実として扱われるべきではありません。
新しい視点の画像から、下流ツールに渡せる3Dへ
新しい視点の画像は、依然として二次元の結果です。ゲーム、VFX、デザイン、ロボット工学のワークフローでは、明示的な三次元データが必要になることがよくあります。Atlasは画像フレームと深度マップを同時に処理し、ポイントクラウドを出力したり、シーンを3D Gaussian Splattingに変換したりできます。
ポイントクラウドは、離散的な三次元ポイントを使用して幾何学的な輪郭を表現します。一方、Gaussian Splattingは、位置、形状、色、透明度を持つ多数の三次元ガウス分布（スプラット）でシーンを表現します。視点が変わると、これらのスプラットはスクリーン上に高速に投影され、高解像度のリアルタイムレンダリングに適しています。World Labsの既存製品であるMarbleもこの表現を使用しているため、Atlasで生成されたシーンは同じプロダクトスタックで使用できます。
Atlasが単一の画像から三次元世界を生成する場合、最初に新しい視点を生成してジオメトリを推定します。現実のビデオから再構築する場合、各フレームの深度を予測し、それらをポイントクラウドとスプラットに融合します。どちらのパスも、カメラが決して見たことのない領域を埋める可能性があります。明示的な3D出力により、結果はレンダリング可能でナビゲート可能になりますが、生成エラーが自動的に排除されるわけではありません。
World Labs 公式デモ。リアルタイムレンダリングが可能でも、幾何形状が計測によって検証済みであるとは限りません。画面外の領域はモデルの補完による可能性があります。
再生をクリックして、2D入力から新規視点生成、そして明示的な3Dフライトビューへと切り替わる段階に注目してください。
時間次元がVFXとロボットシミュレーションを可能にする
空間的一貫性は「どこから見るか」を解決し、時間モデリングは「世界がどのように変化するか」を解決します。Atlasのバレットタイムデモは、三脚やジグに取り付けられた3〜5台の通常のスマートフォンやアクションカメラを使用し、少数の同期された視点から動的な瞬間を再構築し、撮影装置が存在しない観察アングルを生成します。これにより、マルチビュー収集のためのデバイスとセットアップのハードルが下がりますが、単眼ビデオだけで任意の動的シーンをロスレスで復元できることを意味するものではありません。
ロボット工学のシナリオでは、Atlasは二つのステップを実行します。最初のステップは、現実空間を明示的な三次元シーンに変換することです。二番目のステップは、ロボットが特定の軌道に沿って移動するときに、ボディカメラで見えるはずのRGB画像と深度マップを生成することです。公式のナビゲーションデモでは、二つの大規模環境のスマートフォンビデオからそれぞれ24フレームを抽出して再構築し、さまざまなロボットがさまざまなパスに沿って移動する様子をシミュレートしています。操作タスクのデモには、オブジェクト、位置、ロボットのアクション、照明、背景の変化も含まれており、トレーニングとテストのシナリオを拡張しています。
このアプローチには明確な価値があります。従来、ロボット用のシミュレーション環境を構築するには、レーザースキャン、専門的なカメラ、手動モデリング、パラメータごとの調整が必要でした。しかし、日常的な画像を少し使うだけで使用可能なシーンを生成できれば、環境カバレッジの速度は大幅に向上する可能性があります。ただし、発表資料は環境とセンサーデータの生成を示しているだけであり、クローズドループトレーニングや実機への移行後におけるロボットポリシーの成功率向上については示されていません。したがって、「シミュレーション観測を生成できること」と「より信頼性の高いロボットをトレーニングできること」は、依然として個別に検証されるべき命題です。
公式の撮影舞台裏：3〜5台の通常カメラで少数の視点から撮影し、ページ上のインタラクティブデモで、その瞬間を新しい角度に再構築しています。
World Labs 公式デモ。シーンとセンサー観測が生成可能であることを示しています。公開ページでは、これによるロボットのクローズドループ方策の成功率は提供されていません。
2つのロボットデモを再生してください。「トレーニング環境の生成」と「学習した方策の信頼性が高まるかどうか」は分けて判断する必要があります。
マルチモーダル、自己回帰、拡散、Transformerのそれぞれの役割
World Labsは、Atlasのアーキテクチャを「マルチモーダル自己回帰拡散Transformer」と表現しています。四つの用語はそれぞれ異なる役割を担っています。
- マルチモーダル: 現在の入出力タイプには、テキスト、画像、カメラポーズ、三次元深度マップが含まれます。ビデオは画像シーケンスとして表現されます。
- 自己回帰: タスク全体がシーケンスとして編成され、モデルは一度に一つの新しい要素を生成し、以前に出現した入力と出力に条件付けられます。シーケンスの順序を変えることで、同じモデルを生成、再構築、またはシミュレーションに使用できます。
- 拡散: 各高次元の連続出力は、段階的なノイズ除去によって生成されます。Atlasはrectified flowを使用します。推論時には、ノイズ除去ステップ数を変更して、速度と品質のトレードオフを行うことができます。
- Transformer: シーケンス内のクロスモーダルな関係をモデル化する役割を担い、システムが大規模言語モデルサービスで使用されるKVキャッシュ、キャッシュルーティング、分離型推論などのエンジニアリング手法を活用できるようにします。
これは、言語モデルとビデオモデルを単純に組み合わせたものではありません。Atlasのコア設計は、異なるモダリティが三次元位置を持つコンテキストを共有し、自己回帰の順序を使用して「次にどの要素を生成するか」を決定することです。ビデオモデルからは連続的なビジュアル生成機能を継承し、言語モデルからはスケーラブルなシーケンスモデリングとサービス方法を継承しています。
公式ベンチマークが示すもの
World Labsは、二組の自己評価結果を公開しました。
カメラ制御テストでは、一つの入力画像と1〜3の映画のようなカメラワークを組み合わせ、第三者の人間による評価者がどのモデルが目標軌道により適合しているかを判断しました。五つの比較モデルに対するAtlasの嗜好率は以下の通りです。
| 比較モデル | 評価者がAtlasを選択した割合 |
|---|---|
| MiniMax H3 | 75% |
| Gemini Omni Flash | 81% |
| Happy Horse 1.1 | 86% |
| FLUX 3 | 93% |
| Seedance 2.5 | 94% |
テストでは、Atlasはネイティブのカメラ軌道を直接受け取りました。他のモデルはこのような入力を受け付けないため、pan、truck、craneなどのテキスト用語でカメラワークを表現する必要がありました。この比較は、「カメラ追従タスクにおけるネイティブカメラインターフェースの優位性」を示していますが、一般的なビデオ品質の包括的なランキングではありません。また、公式には、より複雑なプロンプトエンジニアリングやマルチモーダルプロンプトが比較モデルの結果を改善する可能性があることも認めています。ページには、評価者の数、サンプル数、信頼区間、生成コスト、レイテンシーは公開されていません。
三次元再構築テストでは、カメラポーズを持つスパースな画像セットが与えられ、各入力ピクセルに対応する三次元ポイントを予測するようモデルに要求しました。公式には平均絶対相対点マップ誤差で測定され、低いほど良いとされ、すべてのベースラインは統一されたプロトコルの下で再現されたと述べられています。
| モデル | 7データセット平均エラー（AbsRel ×10⁻³） |
|---|---|
| Atlas | 25.3 |
| Pi3X（posed） | 28.7 |
| π³ | 34.7 |
| VGGT-Ω 1B | 36.4 |
| Depth Anything 3 | 39.3 |
| MapAnything | 47.7 |
ページには、DTU、ETH3D、KITTI、NRGBD、7-Scenes、Tanks and Temples、ScanNetの項目別結果もリストされています。Atlasはほとんどの項目で最も低いエラーを記録し、Tanks and TemplesではPi3Xと同じく42.4でした。これらの結果は、Atlasが競争力のある幾何学予測能力を持っていることを示していますが、現在の資料は依然として会社のブログであり、完全なトレーニング詳細、モデルの重み、コード、再現可能な実験を備えた論文ではありません。
初期アクセス段階で不足している答え
Atlasは明確な技術ロードマップを示していますが、公開資料は実際の使用に直接影響するいくつかの質問に答えていません。
- モデル規模、トレーニングデータ構成、トレーニング計算量、データライセンス方法
- 一分間の1440pビデオの生成時間、ハードウェア要件、価格、失敗率
- 異なる軌道に沿って複数回生成する際の、シーンの一貫性が保たれる範囲と複雑さ
- 生成領域と観測領域を区別できる、信頼性のある確信度指標または視覚化マーカー
- ダイナミックシーンにおけるオクルージョン、非剛体運動、長期的な物理的一貫性の限界
- エクスポートされたポイントクラウドとGaussian Splattingの、サイズ、コリジョン、編集、シミュレーションエンジンでの実用性
- Real-to-Simデータが実際のロボットポリシーの成功率を安定的に向上させることができるか
World Labsは、Atlasをスクラッチから事前学習し、トレーニング計算量が増加するにつれてパフォーマンスが継続的に向上することを観察したと述べています。しかし、公開ページにはスケーリング曲線や対応する数値は示されていないため、この部分は現時点では会社の研究開発に関する見解として理解されるべきです。
Atlasの方向性はすでに明確です。それは、生成的ビジュアルモデルを「記述に基づいて映像を生成する」ことから、「座標付きの空間コンテキスト内で、指定されたオブザーバーの軌道に沿って世界を継続的に生成する」ことへと前進させます。将来のAPIがカメラ、深度、明示的な三次元、時間制御を安定して開放できれば、映画のプレビジュアライゼーション、ゲームシーン構築、空間デザイン、ロボットシミュレーションは、初めて共通の生成基盤を共有することになるでしょう。それが本番環境に入れるかどうかを最終的に決定するのは、再現可能な空間的一貫性、運用コスト、そしてシステムがどの部分が観測に基づき、どの部分が想像に基づくかを明確に示すことができるかどうかです。