動画生成モデルが汎用ビジョンAIの基盤に：複数タスクで専門モデル並みの性能

要約

動画生成を大規模事前学習に用いることで、汎用のコンピュータビジョン基盤モデルが実現できると論じた研究論文である。研究チームは動画拡散モデルをバックボーンとした GenCeption を開発し、深度推定・表面法線推定・カメラ姿勢推定・セグメンテーション・3D キーポイント予測など複数のビジョンタスクで、DepthAnything3 や SAM といった専門モデルに匹敵するか上回る性能を達成した。GenCeption は従来の事前学習法 (V-JEPA・Video MAE) よりも効果的で、必要な学習データが 7～500 倍少ないにもかかわらずベンチマーク性能を維持する優れたデータ効率を示した。テキスト指示による統一的な推論インターフェースで複数タスクを同時実行でき、NLP の次トークン予測がテキスト理解を統一したように、動画生成がビジョンタスクの統一基盤になり得ることを実証した。