论文页面 - 视频生成模型是通用视觉学习器

来源：https://huggingface.co/papers/2607.09024 发布于 7 月 10 日

每日论文 #2

作者：

,

,

,

,

,

,

,

,

,

,

摘要

受 next-token prediction 驱动，NLP 从任务专用模型转向了强大的通用基础模型。那么，在计算机视觉领域，实现通用模型所需的等效催化剂是什么？在本文中，我们认为大规模文本到视频生成是计算机视觉的一种强预训练范式，它提供了通用视觉智能所需的时空先验、视觉-语言对齐和可扩展性。我们提出 GenCeption，它利用预训练的视频生成扩散主干来定义一个前馈感知模型，能够执行由文本指令引导的各种视觉任务。实验结果表明，GenCeption 在多种任务上达到了最先进的性能，包括深度、表面法向量和相机位姿估计、指代表达分割以及 3D 关键点预测，通常与专用模型（如 DepthAnything3、SAM3、D4RT、VGGT-Omega、Sapiens、David、Genmo 和 Lotus-2）持平甚至超越。此外，在可比较的设置下，视频生成预训练主干优于其他预训练范式（例如 V-JEPA 和 VideoMAE）。重要的是，GenCeption 展现出初步的数据和模型缩放特性以及卓越的数据效率，它以 7 到 500 倍更少的训练数据即可达到与 D4RT 和 VGGT-Omega 等领先模型相当的性能。最后，GenCeption 还表现出有趣的涌现行为：仅在合成人体视频上训练的模型能够泛化到真实世界影像以及分布外的物体类别（例如动物和机器人）。这些发现表明，视频生成不仅仅是合成工具，更是一条通往物理世界通用视觉智能的基础路径。项目页面：https://genception.github.io

查看 arXiv 页面 (https://arxiv.org/abs/2607.09024)查看 PDF (https://arxiv.org/pdf/2607.09024)项目页面 (https://genception.github.io/)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.09024)

在您的 Agent 中获取此论文：

hf papers read 2607\.09024

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

请在模型 README.md 中引用 arxiv.org/abs/2607.09024 以链接到此页面。

引用此论文的数据集0

没有数据集链接此论文

请在数据集 README.md 中引用 arxiv.org/abs/2607.09024 以链接到此页面。

引用此论文的 Space0

没有 Space 链接此论文

请在 Space README.md 中引用 arxiv.org/abs/2607.09024 以链接到此页面。

包含此论文的合集1