GenCeption de DeepMind : quand les générateurs vidéo deviennent des modèles de vision universels
— AUDIOVISUEL
La vision par ordinateur bute depuis des années sur une fragmentation chronique : un modèle par tâche, zéro transversalité. Google DeepMind change la donne en détournant les générateurs vidéo pour construire des modèles généralistes capables de traiter à la fois la perception 3D et la segmentation. Un pivot d'architecture qui questionne l'avenir même de la spécialisation en IA.
Le langage a eu ses modeles de fondation. La vision par ordinateur, elle, est restee coincee dans l'atelier du specialiste. Un reseau pour estimer la profondeur, un autre pour decouper les objets, un troisieme pour retrouver la pose d'une camera. Autant de systemes cloisonnes, chacun rive a son unique competence. Une equipe de Google DeepMind, epaulee par des chercheurs de Toronto, Oxford, MIT et Lund, propose de refermer ce retard avec GenCeption, un travail attendu a ECCV 2026.
Le raisonnement part d'un parallele. Cote texte, le pre-entrainement generatif a fait basculer le domaine des outils sur-mesure vers des modeles polyvalents. Restait a lui trouver un equivalent visuel. Les auteurs le tiennent deja sous la main : la generation de video a partir d'une consigne ecrite. Fabriquer une sequence credible oblige en effet un modele a assimiler la geometrie de l'espace, la permanence des objets d'un plan a l'autre, les lois de la physique. Le tout sans jamais quitter le terrain du langage.
GenCeption capitalise sur ce savoir deja acquis. Un seul reseau, un seul jeu de poids, une seule fonction de perte encaissent toutes les taches. Le brief textuel suffit a orienter la sortie : profondeur, normales de surface, position de la camera, segmentation, decoupage pilote par une expression en langage naturel, points cles en deux et trois dimensions. Detail technique qui pese, le modele de diffusion, d'ordinaire condamne a iterer, est ramene a une passe unique. L'inference y gagne nettement en vitesse.
Deux resultats retiennent l'attention. Nourri presque exclusivement de videos synthetiques, le modele tiendrait la comparaison avec les references specialisees en reclamant sept a cinq cents fois moins de donnees d'entrainement. Plus troublant encore, son comportement. Entraine sur de seuls personnages humains fabriques de toutes pieces, il s'applique sans reapprentissage a des images reelles, a des scenes peuplees de plusieurs sujets, a des categories jamais rencontrees — animaux, robots. Le generateur video aurait donc appris, sans qu'on le lui demande, une forme de modele du monde.
Reste la piste que soulevent les auteurs : et si produire des images n'etait pas une fin en soi, mais le chemin le plus court vers une vision reellement generaliste ?