Atlas reconstruit ce qu’il voit et imagine le reste

Avec Atlas, World Labs combine génération d’images et de vidéos, reconstruction 3D et simulation spatiale dans un seul World Model capable de suivre une trajectoire de caméra précise.

Une photographie ne montre normalement qu’un point de vue. Atlas tente d’en faire le point de départ d’un espace complet, dans lequel une caméra peut avancer, reculer, tourner ou changer de hauteur. Les parties visibles restent guidées par l’image d’origine, tandis que les zones absentes sont reconstruites ou imaginées par le modèle.

Présenté par World Labs comme un World Model multimodal, Atlas accepte du texte, des images, des vidéos, des positions de caméra et des cartes de profondeur. Ces différentes entrées sont réunies dans un même « contexte spatial », qui indique au modèle où chaque vue se situe dans la scène.

Cette géométrie de caméra constitue l’une de ses principales différences avec les modèles vidéo classiques. Une instruction comme « mouvement panoramique vers la droite » décrit une intention générale. Atlas peut recevoir directement une position, une orientation et une trajectoire, puis générer les vues correspondant à ce parcours.

L’utilisateur ne demande donc pas simplement un effet de caméra. Il définit le déplacement que celle-ci doit suivre dans l’espace. Le modèle produit ensuite les images intermédiaires en essayant de maintenir la disposition des objets, les volumes et la continuité du décor.

Cette méthode permet de repartir d’une seule image et d’observer la scène sous un angle différent. Atlas doit alors inventer tout ce que la photographie ne contient pas : l’arrière d’un personnage, l’autre côté d’un objet, une pièce voisine ou le paysage situé hors du cadre. La cohérence de ces éléments repose sur les connaissances apprises pendant l’entraînement, pas sur une information réellement présente dans l’image.

Plusieurs références permettent de réduire cette part d’invention. Chaque photographie peut être positionnée dans le contexte spatial afin d’indiquer au modèle quelle partie du lieu elle représente. Deux images sans lien peuvent aussi être placées à différents endroits, Atlas imaginant alors un couloir, une porte ou une autre transition pour les réunir dans un même environnement.

La reconstruction d’un lieu réel suit la même logique. Avec une seule vue, seule la partie visible peut être considérée comme documentée. Les autres zones restent plausibles, mais fictives. L’ajout de nouvelles photographies apporte des informations supplémentaires sur les bâtiments, les objets ou les proportions. Comme le résume World Labs, plus le modèle voit la scène, moins il doit l’imaginer.

L’entreprise estime que deux ou trois images peuvent déjà suffire pour certaines reconstructions. Atlas accepte aussi plus d’une centaine de vues lorsque la fidélité au lieu réel doit prendre le pas sur l’interprétation. Cette souplesse permet de passer d’un exercice créatif à une capture beaucoup plus documentée sans changer de modèle.

Atlas ne produit pas uniquement des images ou des vidéos. Il peut générer des cartes de profondeur et réunir les informations obtenues sous la forme d’un nuage de points ou de Gaussian splats. Ces représentations fournissent un espace 3D explicite pouvant être exploré et intégré à des workflows de design, de jeu vidéo, d’effets visuels ou de robotique.

Depuis une photographie unique, le système génère plusieurs vues, estime leur géométrie puis rassemble ces informations dans une scène 3D. Depuis une vidéo, il évalue la profondeur de chaque vue avant de les fusionner. Dans les deux cas, les régions jamais observées par une caméra sont complétées par génération. Une reconstruction obtenue à partir de peu de références ne doit donc pas être confondue avec un relevé exact du lieu.

Le même contexte spatial peut servir à produire plusieurs trajectoires dans un décor. Un réalisateur pourrait créer un premier déplacement lent, puis reprendre les mêmes références pour construire un passage aérien ou un mouvement plus rapide. World Labs affirme que la structure générale reste cohérente lorsque la caméra emprunte ces différents parcours.

La démonstration principale suit une caméra pendant une minute dans un village médiéval généré à partir de plusieurs images de référence. La vidéo atteint une définition de 1440p et suit une trajectoire dessinée manuellement. Atlas ne choisit donc pas seul la mise en scène : le parcours est préparé, puis le modèle calcule ce que la caméra doit rencontrer.

Cette approche peut également modifier le point de vue d’une vidéo réelle. À partir de trois à cinq appareils ordinaires placés autour d’une action, Atlas reconstruit la scène et génère des angles intermédiaires. Le résultat se rapproche d’un effet « bullet time » sans recourir à une installation composée de dizaines de caméras synchronisées.

Les exemples ont été enregistrés avec des téléphones et des caméras d’action fixés sur des trépieds ou des pinces. Le système peut figer un moment, déplacer virtuellement le point de vue et recomposer la scène depuis un angle qui n’a pas été directement filmé. La fidélité exacte des détails masqués reste toutefois dépendante des informations disponibles dans les différentes prises.

La robotique constitue l’autre usage central. Un environnement peut être capturé à partir d’une courte vidéo, reconstruit en 3D, puis observé depuis la position virtuelle des capteurs d’un robot. Atlas génère les données visuelles et de profondeur que celui-ci recevrait en suivant une trajectoire donnée.

Dans les démonstrations de navigation, deux grands espaces ont été reconstruits à partir de vingt-quatre vues extraites d’une vidéo tournée avec un téléphone. Plusieurs robots virtuels peuvent ensuite parcourir ces lieux avec des positions et des caméras différentes. Le procédé doit permettre de multiplier les environnements d’entraînement sans scanner chaque site avec un équipement spécialisé.

Pour les tâches de manipulation, World Labs associe Atlas à son workflow Real-to-Sim. Quelques enregistrements servent à reconstruire l’environnement, les objets et leurs interactions. Les développeurs peuvent ensuite modifier leur position, l’éclairage, le mouvement du robot ou certains