一 | IT之家 7 月 21 日消息，科技媒体 The Decoder 昨日（7 月 20 日）发布博文，报道称谷歌 DeepMind 发布 GenCeption 模型，将预训练的视频生成器重新用于深度估计和分割等经典计算机视觉任务。
齐鲁网·闪电新闻 8月25日讯 两千年前，稷下学宫百家争鸣、群贤毕至，是华夏最有活力的地方;两千年后，这份活力还在吗?走，跟随闪电新闻记者来到齐文化·典籍中心寻找答案。 天幕墙幕，二十四小时天光云影实时流转;雷达触控，指尖一点，历史典故跃然屏上;数字沙盘上，八方光束从列国汇聚齐地;AI影像里，齐桓公九合诸侯重现眼前。
IT之家援引博文介绍，大语言模型在学习预测下一个 Token 的时候，在训练过程中往往需要吸收语法、世界知识和上下文关系等内容。
但是在计算机视觉领域，视觉模型缺少等效的训练方法，主要由专业模型主导，包括用于分割的“Segment Anything”和用于深度估计的“Depth Anything”，每个模型都使用其特定的架构。带上MR眼镜，三万吴军对阵二十万楚军，柏举之战就在眼前爆发;甘石星经用光影复刻了满天星河，中国天文学的起点，触手可及。
谷歌 DeepMind 团队为此提出 GenCeption 模型方案，尝试将一个“生成视频”的 AI 模型逆向改造成一个能“理解世界”的视觉分析引擎。
GenCeption 打破了传统计算机视觉“一个任务一个专用模型”的格局，仅凭单一模型就能同时做好深度估计、图像分割、3D 姿态估计、表面法线预测和相机姿态估计等核心视觉任务。 在这里，文物不再是隔着玻璃柜的“沉默者”。
二 | 科技让它们伸出手，拉住每一个走进来的人。这不是空话，试运行三个月，一万五千人次到访，五千多名研学少年在这里读懂齐文化。从静态展示到数字互动，三千年的齐文化，正在重新和今天的人“握上手”。
三 | 闪电新闻记者 郎坤 马帅 报道。 GenCeption 基于阿里巴巴开源视频模型通义万相 Wan2.1 系列训练，与传统扩散模型需多步去噪不同，GenCeption 在一次前向传播中完成预测，从而提升视觉任务处理速度。模型通过文本提示指定任务，可输出深度图、表面法线图、分割掩码，并可处理相机运动表示。 训练数据以合成为主。
四 | 论文称，数据集仅包含 7500 段视频，由 800 个数字人体模型与 200 段动作捕捉序列组合生成，再通过 Blender 在不同背景和镜头角度下渲染。 泛化方面，GenCeption 几乎只在单人合成视频上训练，但可处理真实多人视频，也可迁移到动物和类人机器人类别。论文称，部分输出细节甚至超过训练时 Blender 渲染结果，可保留猫胡须和单根发丝边缘。 性能方面，论文给出两组处理时间数据：小模型处理 81 帧视频约需 6 秒；大模型参数量为 140 亿，处理同样长度视频约需 10 秒。 参考。
Current article:http://www.zhouangnaoguangsundianzhenmou.cfd/1qm/ug8e.html
Published on:10:46:06