Cosmos-Transfer1: Bedingte Welterzeugung mit adaptiver multimodaler Steuerung

Cosmos-Transfer1: Conditional World Generation with Adaptive Multimodal Control

March 18, 2025

Autoren: NVIDIA, Hassan Abu Alhaija, Jose Alvarez, Maciej Bala, Tiffany Cai, Tianshi Cao, Liz Cha, Joshua Chen, Mike Chen, Francesco Ferroni, Sanja Fidler, Dieter Fox, Yunhao Ge, Jinwei Gu, Ali Hassani, Michael Isaev, Pooya Jannaty, Shiyi Lan, Tobias Lasser, Huan Ling, Ming-Yu Liu, Xian Liu, Yifan Lu, Alice Luo, Qianli Ma, Hanzi Mao, Fabio Ramos, Xuanchi Ren, Tianchang Shen, Shitao Tang, Ting-Chun Wang, Jay Wu, Jiashu Xu, Stella Xu, Kevin Xie, Yuchong Ye, Xiaodong Yang, Xiaohui Zeng, Yu Zeng

cs.AI

Zusammenfassung

Wir stellen Cosmos-Transfer vor, ein bedingtes Weltgenerierungsmodell, das Weltsimulationen basierend auf mehreren räumlichen Steuereingaben verschiedener Modalitäten wie Segmentierung, Tiefe und Kanten erzeugen kann. Im Design ist das räumliche Bedingungsschema adaptiv und anpassbar. Es ermöglicht die unterschiedliche Gewichtung verschiedener Bedingungseingaben an verschiedenen räumlichen Positionen. Dies ermöglicht eine hochgradig kontrollierbare Weltgenerierung und findet Anwendung in verschiedenen Welt-zu-Welt-Transfer-Anwendungsfällen, einschließlich Sim2Real. Wir führen umfangreiche Evaluierungen durch, um das vorgeschlagene Modell zu analysieren und seine Anwendungen für Physical AI zu demonstrieren, einschließlich Robotics Sim2Real und der Datenanreicherung für autonome Fahrzeuge. Darüber hinaus demonstrieren wir eine Inferenz-Skalierungsstrategie, um Echtzeit-Weltgenerierung mit einem NVIDIA GB200 NVL72-Rack zu erreichen. Um die Forschungsentwicklung in diesem Bereich zu beschleunigen, stellen wir unsere Modelle und unseren Code unter https://github.com/nvidia-cosmos/cosmos-transfer1 als Open Source zur Verfügung.

English

We introduce Cosmos-Transfer, a conditional world generation model that can generate world simulations based on multiple spatial control inputs of various modalities such as segmentation, depth, and edge. In the design, the spatial conditional scheme is adaptive and customizable. It allows weighting different conditional inputs differently at different spatial locations. This enables highly controllable world generation and finds use in various world-to-world transfer use cases, including Sim2Real. We conduct extensive evaluations to analyze the proposed model and demonstrate its applications for Physical AI, including robotics Sim2Real and autonomous vehicle data enrichment. We further demonstrate an inference scaling strategy to achieve real-time world generation with an NVIDIA GB200 NVL72 rack. To help accelerate research development in the field, we open-source our models and code at https://github.com/nvidia-cosmos/cosmos-transfer1.