Google DeepMind presentó GenCeption, un modelo desarrollado sobre la base del sistema de generación de vídeo preentrenado Wan2.1, que destaca por su capacidad para realizar estimaciones de profundidad, segmentación y cálculo de poses en 3D con un rendimiento similar o incluso superior al de otros métodos. Para su entrenamiento se utilizaron únicamente 7,500 vídeos sintéticos, una cantidad muy inferior a la necesaria en los modelos tradicionales, y este modelo es capaz de aplicarse a escenarios reales con múltiples personas. No obstante, la velocidad de procesamiento sigue siendo un desafío, ya que tarda entre 6 y 10 segundos en analizar cada vídeo compuesto por 81 fotogramas.