近日，谷歌DeepMind发布了一款名为GenCeption的新型模型，该模型能够将预训练的视频生成器重新用于执行深度估计和分割等经典计算机视觉任务。GenCeption模型的创新之处在于，它打破了传统计算机视觉领域“一个任务一个专用模型”的局限，通过单一模型即可同时完成深度估计、图像分割、3D姿态估计、表面法线预测和相机姿态估计等多项核心视觉任务。

GenCeption模型基于阿里巴巴开源的视频模型Wan2.1系列进行训练，与传统扩散模型相比，它能够在一次前向传播中完成预测，显著提升了视觉任务的处理速度。该模型通过文本提示来指定任务，并能输出深度图、表面法线图、分割掩码等，同时处理相机运动表示。训练数据主要为合成数据，由800个数字人体模型与200段动作捕捉序列组合生成，并在不同背景和镜头角度下通过Blender渲染。

在泛化能力方面，GenCeption虽然主要在单人合成视频上进行训练，但其表现出了处理真实多人视频的能力，并可迁移至动物和类人机器人类别。性能方面，小模型处理81帧视频约需6秒，而参数量为140亿的大模型处理同样长度视频约需10秒。这表明GenCeption在保持高效率的同时，也具备了处理复杂视觉任务的能力。