Google DeepMind a mis en ligne GenCeption, un modèle développé sur la base du système de génération vidéo pré-entraîné Wan2.1, qui se distingue par des performances quasi équivalentes ou supérieures en matière d’estimation de la profondeur, de segmentation et d’estimation de la posture 3D. Il ne nécessite que 7 500 vidéos synthétiques pour son entraînement, ce qui est bien moins que les modèles traditionnels, et il parvient à s’adapter aux scénarios réels impliquant plusieurs personnes. Cependant, la vitesse d’inference reste un défi, avec un temps de traitement allant de 6 à 10 secondes pour une vidéo composée de 81 images.