DeepMind доказала: видеогенераторы — это готовые мировые модели для компьютерного зрения

Исследователи Google DeepMind разработали подход GenCeption, который позволяет применять видеогенератор для классических задач компьютерного зрения — оценки глубины и семантической сегментации. Результаты сопоставимы с лучшими специализированными моделями, но требуют на порядок меньше обучающих данных.

Ключевая особенность: модель обучалась почти исключительно на синтетических видео, а не на реальных размеченных наборах данных. Это значит, что видеогенератор уже «понимает» трёхмерную структуру сцены и отношения между объектами — то, что традиционно считалось прерогативой отдельных CV-моделей.

Работа вносит вклад в давнюю дискуссию: содержат ли современные генераторы видео (например, Sora, VideoPoet) внутреннюю мировую модель. DeepMind склоняется к положительному ответу — по крайней мере, для задач геометрии и сегментации. Это может изменить подход к построению систем компьютерного зрения, сделав их более универсальными и менее зависимыми от дорогой разметки.

Пока GenCeption — исследовательский прототип, но он открывает путь к созданию единой модели, способной одновременно генерировать видео и понимать сцены. Если гипотеза подтвердится, следующее поколение видеогенераторов может стать основой для truly general-purpose vision systems.