Gen4P：视频生成器如何成为 4D 感知器

Gen4P 是一个从单目视频恢复 4D 几何与运动的统一框架，可将预训练视频生成器改造成无需迭代去噪的前馈 4D 感知器。它通过单次编码器处理干净视频 latent，并用轻量级交叉注意力解码器预测所需 4D 属性，连续时间查询带来时间灵活性，还以冻结的预训练 video-depth LoRA 作为几何先验。Gen4P 在 3D 点跟踪、视频深度和相机位姿估计任务上达到 SOTA 或具竞争力表现。