/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Библиотека
pytorch
Опубликована
24 сен 2026

slot-rae-dinov3-b-coco

Преобразование изображенийИзображение, текст → изображение

Slot-RAE — модель объектно-центричного анализа изображений на основе DINOv3, предназначенная для выделения объектов и их zero-shot удаления, вставки и замены.

0скачиваний за 30 дней0лайковвеса обновлены24 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Slot-RAE — контрольная точка модели для объектно-центрированного анализа и преобразования изображений, описанная авторами работы «Slot-RAE: Streamlining Object-Centric Learning via Direct Representation Auto-Encoders». Модель обучена на COCO и формирует семь объектных слотов размерности 768 и один глобальный токен на основе замороженного энкодера DINOv3 ViT-B/16. Slot-conditioned Diffusion Transformer обучен с нуля для восстановления признаков DINOv3, а замороженный декодер RAEv2 преобразует их в пиксели.

Модель принимает изображения размером 256×256 с нормализацией ImageNet и выдаёт реконструированное изображение, слоты и маски. В README заявлены сценарии zero-shot удаления, вставки и замены объектов. Для COCO val2017 приведены результаты обнаружения объектов: mBOi 32,5, mBOc 39,1 и mIoUi 31,0 для этой контрольной точки по трём запускам. Репозиторий содержит веса PyTorch размером 1,2 ГБ; для энкодера DINOv3 и декодера RAEv2 требуются отдельные веса из nyu-visionx/RAEv2-models. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое использование.

Сценарии применения

  • выделение объектных слотов и масок на изображении
  • zero-shot удаление объектов из изображения
  • вставка объектов в сцену
  • замена объектов между изображениями
  • восстановление изображения по объектным представлениям

Ограничения

Модель рассчитана на изображения 256×256 с нормализацией ImageNet и требует отдельно загружаемых весов энкодера DINOv3 и декодера RAEv2. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Slot-RAE (DINOv3-B, COCO)

Checkpoint of Slot-RAE: Streamlining Object-Centric Learning via Direct Representation Auto-Encoders (under review).

Slot-RAE learns 7 object slots (768-d, plus 1 global token) on top of a frozen DINOv3 ViT-B/16 encoder and trains a slot-conditioned Diffusion Transformer (Base, with a wide DDT head and a REPA head) from scratch to regenerate the DINOv3 features. A frozen RAEv2 decoder maps generated features to pixels. This enables zero-shot object removal, insertion and swapping.

Files

FileContent
slot_rae_dinov3_b_coco.ckptSlot encoder + DiT weights (1.2 GB). The frozen DINOv3 encoder and RAE decoder are loaded from nyu-visionx/RAEv2-models.

Usage

from huggingface_hub import hf_hub_download
from slot_rae import load_slot_rae  # pip install -e . from the code repository

ckpt = hf_hub_download("Beegbrain/slot-rae-dinov3-b-coco", "slot_rae_dinov3_b_coco.ckpt")
model = load_slot_rae(ckpt, device="cuda")      # RAE weights: see the code README (RAE_ROOT)
out = model(images)                              # ImageNet-normalized (B, 3, 256, 256)
out["slots"], out["masks"], out["recon_image"]

Results (COCO val2017)

Object discoverymBOimBOcmIoUi
Paper (3 seeds)32.338.130.8
This checkpoint (3 seeds)32.539.131.0

License

CC BY-NC 4.0, inherited from RAEv2.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Модели «картинка → картинка» пока не запускаются.

Ревизия весов
d617ea4

0 моделей