World Labs stellt Atlas vor: Das Modell steuert die Kamera im Video und liefert die Szene mit expliziter 3D-Geometrie

Das Unternehmen World Labs aus San Francisco hat Atlas vorgestellt — ein Modell, das gleich vier Aufgaben übernimmt, die sonst auf verschiedene Werkzeuge verteilt sind: die Generierung von Bildern und 360-Grad-Panoramen aus Text, die Generierung von Video mit Kamerasteuerung, die Rekonstruktion realer Szenen aus Fotografien und die Simulation von Raum und Zeit anhand einer Videoaufnahme. Die Entwickler nennen es ein Weltmodell: Generierung, Rekonstruktion und Simulation sind in einem einzigen Kreislauf vereint.

Für alle, die mit Grafik arbeiten, steckt der entscheidende Punkt in der Beschreibung der Rekonstruktion. Atlas liefert Frames aus neuen Blickwinkeln und zugleich explizite 3D-Ausgaben — das Ergebnis lässt sich in eine Szene übernehmen und nicht nur als Video schneiden.

Die Kamera als Eingabeparameter

Der Modus Camera-Controlled Generation nimmt eine oder mehrere Aufnahmen sowie eine vorgegebene Kameraposition und einen Kamerawinkel entgegen und liefert am Ausgang ein Video von bis zu einer Minute Länge in 1440p. Der Beschreibung von World Labs zufolge wird die Kamera als exakte Geometrie und nicht als Textanweisung vorgegeben, und die Flugbahn wird im Voraus geplant: In den gezeigten Beispielen wurde der Kameraweg von Hand angelegt.

Eine Minute durchgehendes Material in 1440p ist bereits eine Länge, die sich für Previz, Animationseinschübe, einen Hintergrund oder als Vorlage fürs Compositing eignet. Für Previsualisierung und Pitching deckt ein solches Format einen erheblichen Teil der Aufgaben ab, ohne die Szene von Hand aufzubauen.

Von einem Frame bis zu einigen Dutzend Aufnahmen

Der Modus Spatial Reconstruction rekonstruiert eine reale Szene aus einer Bildzahl von einem bis zu einigen Dutzend. Atlas erzeugt Frames aus neuen Blickpunkten und parallel dazu eine explizite 3D-Repräsentation der Szene; auf der offiziellen Seite des Modells heißt es, das Ergebnis werde als Punktwolke oder als Gaussian Splats ausgegeben.

Das verändert das gewohnte Vorgehen beim Fotografieren für die Fotogrammetrie. Klassische Pipelines verlangen eine dichte Abdeckung des Objekts mit Dutzenden und Hunderten überlappenden Frames, sorgfältiges Licht und keine bewegten Objekte. Ein Modell, dem eine Handvoll Aufnahmen genügt, nimmt einen Teil dieser Anforderungen weg — der Preis dafür liegt, der Natur des generativen Ansatzes nach zu urteilen, darin, dass fehlende Bereiche der Szene hinzugemalt und nicht gemessen werden; World Labs weist ausdrücklich darauf hin, dass Atlas im Eingangsmaterial nicht sichtbare Bereiche hinzudichtet und dass umso weniger dazuerfunden wird, je mehr Aufnahmen übergeben werden. Für Entwürfe von Umgebungen, für Referenzen und schnelle digitale Zwillinge eines Geländes ist dieser Tausch gerechtfertigt, für exakte Vermessungen wohl kaum.

Raum-Zeit-Simulation und Reframing von gedrehtem Material

Der dritte Modus, Space-Time Simulation, modelliert Raum und Zeit anhand eines Eingangsvideos. World Labs nennt zwei Anwendungen: die Neukadrierung bereits gedrehten Videos für Aufgaben der visuellen Effekte und Real-to-Sim-Szenarien in der Robotik — die Übertragung einer realen Szene in eine Simulation.

Das Erste betrifft unmittelbar die Postproduktion: Bildausschnitt und Kamerastandpunkt lassen sich im Nachhinein ändern, anhand von Material mehrerer gewöhnlicher Kameras. Das Zweite zeigt, dass sich das Publikum des Modells nicht auf Film und Spiele beschränkt: Dieselben Daten über Geometrie und Dynamik der Szene brauchen auch Roboterentwickler.

Der vierte Modus ist die Generierung von Bildern und 360-Grad-Panoramen aus Text mit Unterstützung komplexer Prompts und verschiedener visueller Stile. Panoramen sind als Produktionsformat einsetzbar: Umgebung, Skybox, Hintergrund für eine Echtzeitszene.

Wer es schon ausprobieren kann

Einen freien Zugang gibt es nicht: Der Antrag auf frühen Zugang zu Atlas wird auf der Website des Unternehmens gestellt. Tarife und Termine für eine öffentliche Veröffentlichung hat World Labs nicht bekannt gegeben. Eine Demonstration der Fähigkeiten des Modells hat das Unternehmen in einem Video gezeigt.

Warum verstreute Werkzeuge nun in einem Modell zusammengeführt werden

In den letzten Jahren haben sich generative Werkzeuge für Grafik als eine Ansammlung enger Spezialisten entwickelt: Videogeneratoren separat, Lösungen zur Rekonstruktion der Geometrie aus Fotografien separat, Generatoren für Texturen und Panoramen separat. Der Künstler musste sie von Hand zusammennähen und verlor an jeder Nahtstelle Qualität und Zeit. Der Anspruch von Atlas ist die Gegenbewegung: ein Modell, das darauf trainiert ist, mit Text, Bild, Video und dreidimensionalen Daten zugleich zu arbeiten, damit das Ergebnis des einen Modus als Eingabe für den anderen taugt.

Wahrscheinlich steht dahinter auch das angesammelte Interesse der Branche an Gaussian Splats: Das Format hat in wenigen Jahren den Weg vom Forschungsthema bis zur Unterstützung in kommerziellen Paketen zurückgelegt, und ein generatives Modell, das Splats direkt ausgibt, trifft auf eine bereits vorbereitete Pipeline. Hält der Trend an, verwischt der Unterschied zwischen der Generierung von Video und dem Zusammenbau einer Szene, und von Modellierern wird mehr Arbeit beim Auswählen, Säubern und Fertigstellen der generierten Geometrie verlangt.

Vorsicht ist hier angebracht: Solange das Modell im geschlossenen Early Access lebt, lässt sich über sein Verhalten an echtem Produktionsmaterial — komplexen Reflexionen, feiner Geometrie, Aufnahmen in Bewegung — nicht urteilen. Klar ist etwas anderes: Der Wettbewerb unter den Videogeneratoren verschiebt sich von der Bildqualität hin zur Kontrolle über die Kamera und zur Möglichkeit, aus dem Ergebnis eine dreidimensionale Szene herauszuziehen.