OVOW

OVOW står för One Video, One World och är ett forskningsprojekt som tar en vanlig video filmad med en kamera och bygger upp en 4D-scen, alltså 3D över tid, där varje objekt är ett eget, slutet 3D-nät med sin egen rörelse. Sådana scener kan läggas direkt i fysiksimulatorer och användas för redigering eller robotforskning, vilket enligt forskarna inte går med de punktmoln och Gaussian-representationer som andra 4D-metoder ofta ger.

Systemet kräver ingen egen träning utan kopplar ihop befintliga modeller i fyra steg. En vision-språkmodell hittar, namnger och klassar alla objekt efter hur de rör sig. Därefter återskapas varje objekt som 3D-nät, både stela objekt och sådana som böjer sig. Sedan räknas skala och position över tid fram genom att rendera, jämföra och optimera, och till sist sätts scenen ihop med fysikaliska regler så att saker står på marken och stöttar varandra. Även mjuka rörelser, som ett djur som rör sig, modelleras direkt som förflyttningar av nätets punkter utan skelett. Scenen kan exporteras i URDF-format för fysikmotorer.

Forskarna har också byggt ett eget test för den här typen av uppgift. Enligt dem ger OVOW bäst layout och geometri bland de jämförda metoderna och är 10 till 100 gånger snabbare på vanliga videor.

Arbetet kommer från Tsinghua University och företaget SparcAI tillsammans med flera andra universitet och har antagits till ECCV 2026. OVOW:s egen kod är MIT-licensierad, men paketet innehåller tredjepartskomponenter med icke-kommersiella licenser, så helheten får bara användas för forskning. Det kräver Linux och ett Nvidia-grafikkort med helst minst 40 GB minne.