Компания Google DeepMind выпустила модель GenCeption, созданную на основе заранее обученной системы генерации видео Wan2.1. Эта модель демонстрирует высокую эффективность в задачах оценки глубины, сегментации изображений и определения 3D-позы, достигая практически таких же или даже лучших результатов. Для обучения ей потребовалось всего 7 500 синтетических видео, что значительно меньше, чем у традиционных моделей, при этом она способна применяться к реальным сценариям с участием нескольких людей. Однако скорость обработки по-прежнему является проблемой — на одно видео из 81 кадра уходит от 6 до 10 секунд.