有做三维视觉的朋友帮忙判断下 DeepMind 这个 GenCeption 吗，我自己看不太准。
它最抓眼的点是把深度分割和姿态估计塞进了同一个模型，不用各跑一套管线。以前做这类活儿，分割一个网络、姿态又一个网络，权重和后处理各管各的，接起来贼折腾；要是真能一个模型统一输出，工程侧省的活儿不是一点半点。
具体架构和效果还没铺开，现在能确认的只有多任务合一这个方向。我纠结的是它到底算通用大模型的思路往感知里渗，还是纯粹为了省算力做的任务合并，懂行的给说说。
蹲细节
多任务合一这两年是真的猛，就怕单项精度被拉下来