Microsoft Researchs Mirage erzeugt Video-Welten bis zu 10,5-mal schneller

Microsoft Research und mehrere Universitäten haben mit Mirage ein Video-Weltmodell vorgestellt, das Szenen über lange Kamerafahrten stabil halten soll. Der Ansatz speichert räumliche Informationen direkt im Latentraum und spart damit Rechenzeit und Speicher gegenüber bisherigen 3D-Punktwolken.

Die Details beschrieb The Decoder am 14. Juni 2026 unter Verweis auf ein Forschungsteam von Microsoft Research und mehreren Hochschulen. Mirage soll Videos bis zu 10,5-mal schneller erzeugen und dabei bis zu 55-mal weniger Speicher benötigen als vergleichbare Modelle. Das System zielt auf Video-Weltmodelle, die aus einem Startbild und einer Kameraführung längere Szenen berechnen. Solche Modelle gelten als Baustein für Simulationen, virtuelle Umgebungen und generative Video-Systeme.

Latenter Speicher statt Punktwolke

Bisherige Ansätze wie Voyager, WonderWorld oder Spatia speichern Szenen laut The Decoder in pixelbasierten 3D-Punktwolken. Bei jedem Schritt muss diese Wolke gerendert und erneut in den Featureraum des Modells übersetzt werden. Das Paper beschreibt diesen Weg als „doppeltes Nadelöhr“. Mirage umgeht diesen Schritt. Das Modell legt interne Bildmerkmale direkt als räumlich verortete Einträge im Latentraum ab und greift später ohne erneutes Rendering darauf zu.

Für die Generierung einer neuen Perspektive projiziert Mirage diese latenten 3D-Token direkt auf die Zielkamera. Danach gehen die Daten unmittelbar an den Generator. Dadurch bleibt die räumliche Struktur einer Szene auch bei langen Kamerafahrten stabiler. In klassischen Systemen driften Räume bei längeren Sequenzen oft sichtbar auseinander. Beim Zurückkehren in eine frühere Ecke ändern sich dann Möbel, Texturen oder Proportionen.

Chunkweise über lange Sequenzen

Mirage arbeitet abschnittsweise. Aus dem ersten Bild wird zunächst ein räumliches Gedächtnis aufgebaut. Für jeden weiteren Abschnitt liest das System passende Informationen aus dem Cache, erzeugt neue Frames und schreibt deren Inhalte zurück. Das Gedächtnis wächst damit über die gesamte Sequenz. Laut der Beschreibung bleiben statische Szeneninhalte so über längere Zeit konsistent, ohne dass die Daten in voller Bildauflösung gespeichert werden müssen.

Grenze bei bewegten Objekten

Eine wichtige Einschränkung bleibt. Bewegte Objekte filtert Mirage derzeit aus dem Gedächtnis heraus, wie The Decoder berichtet. Der Ansatz konzentriert sich damit vorerst auf stabile, statische Umgebungen. Veröffentlicht wurde der Bericht am 14. Juni 2026; beteiligt sind Microsoft Research sowie mehrere Universitäten, deren Namen in der Kurzbeschreibung der Quelle genannt werden.