Gen4P论文：复用预训练视频生成器，单次前向实现4D感知

一句话看懂：Hugging Face Papers 收录的论文 Gen4P 提出，把预训练视频生成器改造成前馈式 4D 感知器，无需迭代去噪即可从单目视频恢复几何与运动。它指向的方向是：视频生成模型的底座能力，可能被复用到三维感知任务上。

事件核心：发生了什么

根据论文摘要（发布于 2026 年 10 月 15 日，目前公开信息仅为摘要，全文实验尚未核验），Gen4P 是一个从单目视频恢复 4D 几何与运动的统一框架。其关键做法有三点：一是让预训练视频生成器直接在干净的视频潜变量上做一次编码器前向，跳过生成模型常用的迭代去噪流程；二是用轻量级交叉注意力解码器按需输出所请求的 4D 属性；三是引入连续时间查询，给时间维度留出灵活采样空间。

作者还提出一个不改动主干、可插拔的方案：把预训练的视频深度 LoRA 作为冻结的几何先验接入，在不增加可训练参数的情况下增强几何知识。摘要称，该方法在 3D 点跟踪、视频深度和相机位姿估计上达到同期最优或具备竞争力，并在野外视频上展示了跟踪复杂运动、保留细节结构的能力。

为什么重要

生成式视频模型通常被视为内容生产工具，Gen4P 尝试把它们当作感知骨干使用，这为“一个底座兼做生成与理解”提供了实证方向。按需查询的接口设计意味着不必为每种 4D 任务单独训练完整网络，推理路径也更接近一次前向，而不是多步采样，这对算力成本和延迟都有潜在意义。对开源社区而言，冻结 LoRA 做几何先验的做法门槛较低，便于在现有视频模型上复现和叠加。

对用户/开发者/创作者的影响

开发者可以关注“复用生成模型做感知”的工程范式：如果后续代码与权重开放，单目视频转 4D 的管线可能从多阶段重建工具转向单模型前向推理。创作者侧的直接影响目前仍属早期，摘要只覆盖点跟踪、深度与位姿三类任务，尚不能推断可直接生成可编辑 4D 资产。企业采购与算力决策也不宜据此下结论，需等待完整实验和实际推理开销数据。