OctWorld представили как генератор длинных согласованных видео с 3D-памятью на октодереве

На arXiv 3 сентября 2026 года вышла работа OctWorld — фреймворк для генерации видео на основе диффузии с постоянной 3D-памятью. По одному изображению он строит длинные видеопоследовательности вдоль заданной траектории камеры, сохраняя согласованность сцены даже при возврате в уже посещённые области. Ключевой элемент — OctMap, разреженное октодерево с TSDF-фьюжном, которое накапливает визуальные наблюдения и карты глубины. Авторы заявляют, что OctMap превосходит точечные кэши и TSDF-объёмы с фиксированным разрешением, а код не выкладывали. Подробности — на странице работы на arXiv.

Что это значит

OctWorld решает задачу генерации видео, а не создания 3D-моделей, поэтому напрямую с инструментами из нашего раздела генераторов 3D по изображению он не конкурирует. Но сравнение по памяти и подходу к 3D-представлению уместно. У OpenLRM самый большой файл весов — 1.7 ГБ, все файлы — 3.4 ГБ, задача — image-to-3d, экспорт в obj. Это генератор статичных моделей, а не видеопоследовательностей, и 3D-память в духе OctMap ему не нужна. Hunyuan3D 2.1 тяжелее: самый большой файл весов 6.9 ГБ, все файлы — 13.9 ГБ, видеопамяти просит от 10 до 29 ГБ. Он тоже делает статичные 3D-ассеты из одного изображения, без траекторий камеры и долговременной согласованности видео. TRELLIS — генератор 3D-моделей с самым большим файлом весов 1.1 ГБ и экспортом в glb. Как и остальные, он не работает с видеопоследовательностями и не хранит 3D-память между кадрами. OctWorld интересен тем, что переносит идею постоянного 3D-представления в генерацию видео. Для пользователей наших инструментов это пока скорее исследовательская работа: кода нет, а задача — длинные согласованные видео, а не 3D-ассеты.