Reconstruire une scène 3D exigeait autrefois des centaines de photographies soigneusement prises, du matériel coûteux et une bonne dose de patience. World Labs, l’entreprise d’intelligence spatiale cofondée par la spécialiste mondiale de l’IA de Stanford Fei-Fei Li, vient de réduire ce processus à deux ou trois captures.
Le nouveau modèle de l'entreprise, appelé Atlas, est un transformateur diffusion autoregressif multimodal pré-entraîné. En termes plus simples : c'est un système d'intelligence artificielle qui comprend le texte, les images, les vidéos et les données 3D simultanément, et peut utiliser cette compréhension pour compléter tout ce que la caméra n'a pas capturé. Le résultat est une reconstruction complète de la scène 3D, une synthèse de vues nouvelles et une génération vidéo contrôlée par la caméra, tout à partir d'entrées minimales.
Ce que fait réellement Atlas
Atlas fonctionne comme ce que World Labs appelle un « modèle omni-world » pour l'intelligence spatiale. Fournissez-lui entre une et six images de référence, et il peut générer jusqu'à une minute de vidéo en résolution 1440p tout en conservant un contrôle précis de la caméra le long des chemins exacts que vous spécifiez.
La capacité de reconstruction 3D est où les choses deviennent véritablement impressionnantes. Les pipelines traditionnels de photogrammétrie exigent généralement entre 100 et 300+ images prises sous des angles soigneusement planifiés pour créer un modèle 3D utilisable. Atlas réduit cette exigence à seulement deux ou trois images d'entrée, produisant des représentations 3D explicites telles que des nuages de points et des splats gaussiens avec une fidélité que l'entreprise décrit comme remarquable.
Sur les benchmarks de reconstruction 3D à vues rares, notamment DTU et ETH3D, Atlas a obtenu une erreur moyenne absolue-relative de 25,3 sur la carte de points. Son concurrent open-source le plus proche a obtenu 28,7.
Les cofondateurs de World Labs décrivent la prédiction de nouvelles vues comme « une primitive AI-complete pour l'intelligence spatiale ». Traduction : la capacité à imaginer à quoi ressemble une scène sous des angles que vous n'avez jamais photographiés est une capacité fondamentale qui débloque tout, de la navigation robotique aux chaînes de production d'effets visuels.
Le verdict humain
Lors de tests consommateurs évaluant la qualité de la commande de la caméra, les évaluateurs humains ont préféré Atlas aux modèles concurrents entre 75 % et 94 % du temps.
Atlas prend également en charge des simulations dynamiques espace-temps, y compris des effets de ralenti. Imaginez le mouvement emblématique de caméra en ralenti qui tourne dans The Matrix, mais généré par l'IA plutôt qu'à l'aide d'un dispositif complexe de caméras synchronisées.
Le modèle gère tout cela dans un contexte spatial unifié. Plutôt que de combiner des outils séparés pour la génération vidéo, la reconstruction 3D et la synthèse de vues nouvelles, Atlas regroupe ces fonctions au sein d'un seul système.
Du laboratoire à la sortie limitée
World Labs construit depuis sa création en 2024 vers ce moment. La startup a attiré une attention significative dès le départ, principalement en raison de la réputation de Li comme l'une des architectes de la vision par ordinateur moderne. Son jeu de données ImageNet et les défis associés ont joué un rôle central dans la catalyse de la révolution de l'apprentissage profond il y a plus de dix ans.
Atlas a été annoncé le 1er septembre 2026 et entre actuellement dans une phase d'accès anticipé pour des partenaires sélectionnés. World Labs n'a pas publié publiquement les poids ni le code du modèle, gardant la technologie derrière un mur d'accès contrôlé pour l'instant.