Cosmos-Transfer1: Generación Condicional de Mundos con Control Multimodal Adaptativo

Cosmos-Transfer1: Conditional World Generation with Adaptive Multimodal Control

March 18, 2025

Autores: 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

Resumen

Presentamos Cosmos-Transfer, un modelo de generación condicional de mundos que puede generar simulaciones de mundos basadas en múltiples entradas de control espacial de diversas modalidades, como segmentación, profundidad y bordes. En su diseño, el esquema condicional espacial es adaptable y personalizable. Permite ponderar diferentes entradas condicionales de manera distinta en distintas ubicaciones espaciales. Esto posibilita una generación de mundos altamente controlable y encuentra utilidad en varios casos de uso de transferencia de mundo a mundo, incluyendo Sim2Real. Realizamos evaluaciones exhaustivas para analizar el modelo propuesto y demostramos sus aplicaciones para la IA física, incluyendo Sim2Real en robótica y enriquecimiento de datos para vehículos autónomos. Además, demostramos una estrategia de escalado de inferencia para lograr generación de mundos en tiempo real con un rack NVIDIA GB200 NVL72. Para ayudar a acelerar el desarrollo de investigación en el campo, hemos liberado nuestros modelos y código en https://github.com/nvidia-cosmos/cosmos-transfer1.

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.