World Labs apresenta o Atlas: o modelo controla a câmara no vídeo e devolve a cena com geometria 3D explícita

A empresa World Labs, de São Francisco, anunciou o Atlas — um modelo que assume de uma só vez quatro tarefas habitualmente distribuídas por ferramentas diferentes: a geração de imagens e panorâmicas de 360 graus a partir de texto, a geração de vídeo com controlo de câmara, a reconstrução de cenas reais a partir de fotografias e a simulação do espaço e do tempo a partir de uma gravação de vídeo. Os criadores chamam-lhe um modelo do mundo: geração, reconstrução e simulação reunidas num único circuito.

Para quem trabalha com gráficos, o ponto essencial está escondido na descrição da reconstrução. O Atlas devolve fotogramas de novos ângulos e, em simultâneo, saídas 3D explícitas — o resultado pode ser levado para uma cena e não apenas montado como vídeo.

A câmara como parâmetro de entrada

O modo Camera-Controlled Generation aceita uma ou várias imagens e uma posição e um ângulo de câmara definidos, e à saída dá um vídeo com até um minuto de duração em 1440p. Segundo a descrição da World Labs, a câmara é definida como geometria exacta e não como uma instrução de texto, e a trajectória do sobrevoo é projectada de antemão: nos exemplos mostrados, o percurso da câmara foi traçado à mão.

Um minuto de material contínuo em 1440p já é uma duração aproveitável para previz, inserções de animação, um fundo ou uma base para composição. Para a pré-visualização e para o pitching, um formato destes resolve boa parte das tarefas sem construir a cena à mão.

De um único fotograma a várias dezenas de imagens

O modo Spatial Reconstruction reconstitui uma cena real a partir de um número de imagens que vai de uma a várias dezenas. O Atlas gera fotogramas de novos pontos de vista e, em paralelo, uma representação 3D explícita da cena; na página oficial do modelo indica-se que o resultado é exportado como nuvem de pontos ou como gaussian splats.

Isto altera o procedimento habitual de captação para fotogrametria. Os pipelines clássicos exigem uma cobertura densa do objecto com dezenas e centenas de fotogramas sobrepostos, luz cuidada e sem objectos em movimento. Um modelo a que basta um punhado de imagens retira parte destes requisitos — o preço, a julgar pela natureza da abordagem generativa, é que as zonas em falta da cena são desenhadas e não medidas; a World Labs indica directamente que o Atlas inventa as áreas não visíveis na entrada e que, quantas mais imagens forem fornecidas, menos há a imaginar. Para esboços de ambientes, referências e gémeos digitais rápidos de um local, a troca justifica-se; para levantamentos rigorosos, dificilmente.

Simulação do espaço-tempo e reenquadramento do material filmado

O terceiro modo, Space-Time Simulation, modela o espaço e o tempo a partir de um vídeo de entrada. A World Labs aponta duas aplicações: o reenquadramento de vídeo já filmado para tarefas de efeitos visuais e os cenários Real-to-Sim em robótica — a transposição de uma cena real para uma simulação.

A primeira diz respeito directamente à pós-produção: o enquadramento e o ponto de câmara podem ser alterados a posteriori, com material de várias câmaras comuns. A segunda mostra que o público do modelo não se limita ao cinema e aos jogos: os mesmos dados sobre a geometria e a dinâmica da cena são necessários aos criadores de robôs.

O quarto modo é a geração de imagens e panorâmicas de 360 graus a partir de texto, com suporte para prompts complexos e diferentes estilos visuais. As panorâmicas são aplicáveis como formato de produção: ambiente, skybox, fundo para uma cena em tempo real.

Quem já pode experimentar

Não há acesso livre: o pedido de acesso antecipado ao Atlas deixa-se no site da empresa. A World Labs não anunciou preços nem prazos para o lançamento público. A demonstração das capacidades do modelo foi mostrada pela empresa num vídeo.

Porque é que as ferramentas dispersas começaram a ser juntas num só modelo

Nos últimos anos, as ferramentas generativas para gráficos desenvolveram-se como um conjunto de especialistas estreitos: os geradores de vídeo à parte, as soluções para recuperar geometria a partir de fotografias à parte, os geradores de texturas e panorâmicas à parte. O artista tinha de as coser à mão, perdendo qualidade e tempo em cada junta. A proposta do Atlas é o movimento inverso: um só modelo, treinado para trabalhar em simultâneo com texto, imagem, vídeo e dados tridimensionais, para que o resultado de um modo sirva de entrada para outro.

Por trás disto estará também o interesse acumulado da indústria pelos gaussian splats: em poucos anos, o formato percorreu o caminho de tema de investigação até ao suporte em pacotes comerciais, e um modelo generativo que devolve splats directamente encaixa num pipeline já preparado. Se a tendência continuar, a diferença entre gerar vídeo e montar uma cena vai esbater-se, e aos modeladores será exigido mais trabalho de selecção, limpeza e acabamento da geometria gerada.

Aqui a prudência é adequada: enquanto o modelo viver num acesso antecipado fechado, não é possível julgar o seu comportamento com material de produção real — reflexos complexos, geometria fina, filmagem em movimento. Outra coisa é clara: a concorrência entre os geradores de vídeo desloca-se da qualidade da imagem para o controlo sobre a câmara e para a possibilidade de extrair do resultado uma cena tridimensional.