知识卡片：Gen4P：视频生成器即是4D感知器

一句话结论

Gen4P 提出将预训练视频生成器改造为前馈式 4D 感知器，无需迭代去噪即可从单目视频中恢复 4D 几何与运动；但受限于来源材料仅含元数据，具体数值与实现细节待核实。

事件概述或研究问题

Gen4P 关注的核心问题是：预训练视频生成模型是否可以被复用为通用的 4D 感知器，从而在单目视频上统一完成 3D 点跟踪、视频深度估计与相机位姿估计等任务。作者提出一个统一框架，声称视频生成器的预训练知识可迁移至 4D 感知，且推理阶段不需要迭代去噪。

方法/产品要点

• 单次编码 + 轻量解码：Gen4P 基于“按需查询”（on-demand querying），对干净的视频 latent 做单次编码器前向，再通过轻量 cross-attention 解码器预测所请求的 4D 属性，而非迭代去噪。
• 连续时间查询：作者提出 continuous-time queries，为时间维度提供灵活性；按需查询形式同时支持灵活的空间采样。
• 冻结几何先验插件：将预训练的视频深度 LoRA 作为冻结的几何先验接入，以增强几何知识，且不增加额外可训练参数。
• 英文标题：Gen4P: Video Generators are 4D Perceivers。

主要结果或产业意义

摘要声称 Gen4P 在 3D 点跟踪、视频深度与相机位姿估计任务上达到 state-of-the-art 或具竞争力表现，并在 in-the-wild 视频上展示跟踪复杂运动、保持精细结构的能力。上述结论基于摘要自述，具体指标、对比基线与实验设置待核实。

为什么重要

该工作把“视频生成预训练”的用途从内容生成延伸到统一 4D 感知，暗示生成式视频模型内部可能已编码可复用的几何与运动表征。与既有 MV-Forcing（用 4D 几何桥接改进多视角视频生成）方向相反，Gen4P 是让视频生成模型输出 4D 感知结果；与 4DAnyone（先生成多视角再提升为 4DGS）相比，Gen4P 强调单次前馈、以查询方式直接回归 4D 属性。增量信息在于“免迭代去噪的按需查询式 4D 感知”这一路径，但需正文核实其与上述工作的具体差异。

局限与不确定性

• 来源材料未抓取正文，摘要之外的方法细节、数据集、评价指标与数值结果均待核实。
• “无需迭代去噪”的具体含义与推理效率收益待核实。
• 冻结视频深度 LoRA 作为几何先验的接入方式与消融结果待核实。
• 论文编号 arXiv:2610.22371v1 与发布时间的对应关系待核实。
• 与既有卡片中相关工作的重叠或延续关系，需查阅原文后确认。

可用于图书/PPT/简报的角度

• “生成模型即感知模型”：视频生成预训练作为统一 4D 感知 backbone 的叙事。
• 从迭代扩散到单次前馈：4D 感知推理范式的对比。
• 冻结先验 + 轻量解码：不增加可训练参数的性能增强思路。
• 按需查询（on-demand query）：灵活时空采样的接口设计。

与既有脉络的关系

• 相对 MV-Forcing：MV-Forcing 用 4D 几何辅助视频生成；Gen4P 反转为用视频生成模型做 4D 感知，二者构成“生成↔感知”的互补方向（具体差异待核实）。
• 相对 4DAnyone：二者都从单目视频出发，但 4DAnyone 依赖多视角生成与 4DGS 提升；Gen4P 声称前馈、免迭代去噪、直接预测 4D 属性（具体路线差异待核实）。

原始材料

• URL: https://arxiv.org/abs/2610.22371v1
• Track: academic
• Topics: foundation-model
• Manual title: Gen4P: Video Generators are 4D Perceivers
• 项目页面: https://gen4p.github.io
• 备注：未能抓取正文，本卡片仅基于已知元数据与摘要信息生成，未确认部分已标注“待核实”。