AI 搜索

带引用 · 可溯源

先用站内已采集内容作答；站内不足时联网检索，每条结论都给出来源链接

范围：站内优先仅站内全网全网通道：bing

大家都在搜：vLLM12 agent10 alignment10 fine-tuning10 multi-agent10 post-training10 pretraining10 training10

AI 答案

资料有限基于 2 条来源 · 引用可点击溯源

现有资料不足以回答该问题。两条资料均未提供「迭代去噪式 4D 感知方法（基于视频扩散的逐帧优化路线）」在精度与速度上的公开数据。资料中能确认的相关信息只有以下几点：

2 描述的 Gen4P 走的是与迭代去噪相反的路线：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，单次编码即可从单目视频恢复 4D 几何与运动，并支持灵活时空采样2。
2 仅定性说明 Gen4P 在 3D 点跟踪、视频深度和相机位姿估计上「达到领先水平」，未给出任何具体精度指标或推理速度/耗时数字2。
1 的 CogDrift-4D 属于 MCI 检测的行为时序建模工作，与 4D 感知/视频扩散去噪优化无关，仅可确认其报告了准确率 0.7331，不能用于回答本问题。

因此，关于迭代去噪式 4D 感知路线的精度（如点跟踪误差、深度误差、位姿精度）与速度（如逐帧优化耗时、采样步数开销）的公开数据，在现有资料中均无对应内容，无法给出。

继续追问

Gen4P 相比迭代去噪式 4D 感知方法在推理速度上具体快多少？视频扩散先验用于 4D 感知时，逐帧优化路线的主要精度瓶颈是什么？Gen4P 在 3D 点跟踪、深度和位姿估计上的具体量化指标是多少？

参考来源

2 条

1站内CogDrift-4D: Hierarchical Multimodal Modeling of Temporal Behavioral Decay for MCI Detection提出 CogDrift-4D 分层 4D Transformer 框架，用 18 个月七次无脚本多模态交互数据构建 Batch×Session×Time×Feature 张量，通过会话内回归斜率与跨会话递归交叉注意力建模行为衰退，配合质量门过滤噪声，实现轻度认知障碍检测（准确率 0.733），为居家实时痴呆筛查提供可扩展方案。arXiv cs.LGhttps://arxiv.org/abs/2610.20877 2站内Gen4P 用视频生成器实现单目4D感知Gen4P 提出统一框架，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，单次编码即可从单目视频恢复4D几何与运动，并支持灵活时空采样。在3D点跟踪、视频深度和相机位姿估计上达到领先水平，展示了视频生成预训练用于统一4D感知的潜力。Hugging Face Papershttps://huggingface.co/papers/2610.22371

AI 答案正在检索与综合…

站内相关条目

2 条 · 点击可看原文全文与中文译文

返回信息流

行业

CogDrift-4D: Hierarchical Multimodal Modeling of Temporal Behavioral Decay for MCI Detection

提出 CogDrift-4D 分层 4D Transformer 框架，用 18 个月七次无脚本多模态交互数据构建 Batch×Session×Time×Feature 张量，通过会话内回归斜率与跨会话递归交叉注意力建模行为衰退，配合质量门过滤噪声，实现轻度认知障碍检测（准确率 0.733），为居家实时痴呆筛查提供可扩展方案。

行业落地·arXiv cs.LG·4 天前

#multimodal

行业

Gen4P 用视频生成器实现单目4D感知

Gen4P 提出统一框架，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，单次编码即可从单目视频恢复4D几何与运动，并支持灵活时空采样。在3D点跟踪、视频深度和相机位姿估计上达到领先水平，展示了视频生成预训练用于统一4D感知的潜力。

行业落地·Hugging Face Papers·4 天前

#video-generation