Mundo превращает фотографии помещений в сцены для симуляции и генерации видео

23 октября 2026 года исследовательская команда Mundo представила техническое описание системы, которая строит из изображений конкретного места редактируемую модель мира. В ней можно менять положение камеры и предметов, моделировать взаимодействия, а затем получать видео происходящего.

Не просто ролик по фотографии

Сначала система восстанавливает упрощённую трёхмерную сцену: расположение и размеры объектов. ИИ-агент уточняет её по исходным ракурсам. Отдельная программа задаёт физические свойства, а симулятор рассчитывает движение и столкновения. Видеомодель превращает эту основу в визуально подробные кадры.

На странице проекта показаны пролёты камеры по помещениям, открывание ящиков и задания для роботов. Для исследования реальных мест авторы демонстрируют работу с одним–двенадцатью исходными изображениями. Невидимые на них области система достраивает, а не восстанавливает достоверно.

Ограничения существенны

По данным команды, реконструкция типичной сцены занимает 10–20 минут. Генерация видео при 20 шагах работает примерно со скоростью 1,5 кадра в секунду на восьми A800. Это не демонстрация работы в реальном времени на обычном компьютере.

Мелкие предметы могут «плавать», взаимодействия с ними сопровождаются визуальными ошибками. Долговременной памяти пока нет: после продолжительных изменений детали сцены могут теряться. Описание и демонстрации доступны публично; считать их готовым массовым сервисом генерации было бы преждевременно.

Редакционный вывод: подход интересен для визуального прототипирования и исследований робототехники, поскольку связывает управляемую геометрию с генерацией видео. Но реалистичный вид кадров сам по себе не подтверждает физическую точность симуляции.

Источники: технический материал авторов Mundo, 23 октября 2026 года; страница проекта с демонстрациями, проверена 24 октября.