/ Модель

Характеристики

Размер весов
1,1 ГБ
Лицензия
Apache 2.0
Базовая модель
Wan2.1-VACE-1.3B
Библиотека
diffusers
Опубликована
2 апр 2026

SVOR

Языковая модельВидео, текст → видео3 профессии

SVOR — дообученная модель Wan2.1 VACE для стабильного удаления объектов, теней и отражений из видео по маскам.

1 948скачиваний за 30 дней3лайкавеса обновлены2 апр 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

SVOR (Stable Video Object Removal) — модель для удаления выбранных объектов из видео, разработанная авторами работы «From Ideal to Real: Stable Video Object Removal under Imperfect Conditions». Она дообучена на базе Wan-AI/Wan2.1-VACE-1.3B и предназначена для видеоредактирования при реальных дефектах масок, резком движении объектов, тенях и отражениях.

Метод объединяет временное объединение масок MUSE, вспомогательную сегментационную ветвь DA-Seg и двухэтапное обучение. По описанию авторов, эти компоненты помогают сохранять стабильность кадров, находить пропущенные масками области и удалять объект вместе с его тенями и отражениями. Для работы нужны видео, маски объектов и веса базовой модели; интерактивный пример использует SAM2 для сегментации и распространения масок.

Репозиторий содержит веса в формате safetensors и использует библиотеку Diffusers. Для инференса требуется не менее 40 ГБ видеопамяти. Лицензия — Apache-2.0.

Сценарии применения

  • удаление объектов из видеороликов
  • удаление теней и отражений вместе с объектом
  • восстановление фона после удаления объекта
  • обработка видео с резким движением объектов
  • удаление объектов при неточных или дефектных масках

Ограничения

Для инференса требуется не менее 40 ГБ видеопамяти; интерактивный сценарий дополнительно использует SAM2 для сегментации объектов. Заявления о качестве основаны на описании авторов и приведённых ими экспериментах.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

⭐ If SVOR is helpful to your projects, please help star this repo. Thanks! 🤗

Overview

overall_structure

Removing objects from videos remains difficult in the presence of real-world imperfections such as shadows, abrupt motion, and defective masks. Existing diffusion-based video inpainting models often struggle to maintain temporal stability and visual consistency under these challenges. We propose Stable Video Object Removal (SVOR), a robust framework that achieves shadow-free, flicker-free, and mask-defect-tolerant removal through three key designs: (1) Mask Union for Stable Erasure (MUSE), a windowed union strategy applied during temporal mask downsampling to preserve all target regions observed within each window, effectively handling abrupt motion and reducing missed removals; (2) Denoising-Aware Segmentation (DA-Seg), a lightweight segmentation head on a decoupled side branch equipped with {Denoising-Aware AdaLN } and trained with mask degradation to provide an internal diffusion-aware localization prior without affecting content generation; and (3) Curriculum Two-Stage Training: where Stage I performs self-supervised pretraining on unpaired real-background videos with online random masks to learn realistic background and temporal priors, and Stage II refines on synthetic pairs using mask degradation and side-effect-weighted losses, jointly removing objects and their associated shadows/reflections while improving cross-domain robustness. Extensive experiments show that SVOR attains new state-of-the-art results across multiple datasets and degraded-mask benchmarks, advancing video object removal from ideal settings toward real-world applications.

Results

For more visual results, go checkout our project page

Dependencies and Installation

The code is tested with Python 3.10

  1. Clone Repo

    git clone https://github.com/xiaomi-research/SVOR.git
    
  2. Create Conda Environment and Install Dependencies

    # create new anaconda env
    conda create -n svor python=3.10 -y
    conda activate svor
    
    # install pytorch and xformers
    pip install torch==2.7.0 torchvision==0.22.0 torchaudio==2.7.0 xformers==0.0.30
    
    # install other python dependencies
    pip install -r requirements.txt
    
  3. [Optional] Install flash-attn, refer to flash-attention

    pip install packaging ninja psutil
    pip install flash-attn==2.7.4.post1 --no-build-isolation
    

[Optional] Run with docker

docker build -f Dockerfile.ds -t SVOR:latest .
docker run --gpus all -it --rm -v /path/to/videos:/data -v /path/to/models:/root/models SVOR:latest

Pretrained Weights

Download pretrained weights and put them to models/:

The files in models/ are as follows:


models/
├── put models here.txt
├── remove_model_stage1.safetensors
├── remove_model_stage2.safetensors
└── Wan2.1-VACE-1.3B/

Quick test

Run the following scripts, and results will be save to samples/SVOR/:

python predict_SVOR.py \
  --input_video samples/input/bmx-bumps_raw.mp4 \
  --input_mask_video samples/input/bmx-bumps_mask.mp4
Usage:

python predict_SVOR.py [options]

Some key options:
  --input_video            Path to input video
  --input_mask_video       Path to mask video
  --num_inference_steps    Inference steps (default: 20)
  --save_dir               Output directory
  --sample_size            Frame size: height width (default: 720 1280)

ATTENTION: It will need no less than 40GB GPU memory to run the inference.

Interactive Demo

  1. Install SAM2 and download pretrained weights sam2.1_hiera_large.pt to models/

  2. Start the gradio demo

    python -m demo.gradio_app
    

    Ensure it print the following informations:

    ...
    [Info] SAM2 Predictor initialized successfully
    ...
    [Info] Removal model Predictor initialized successfully
    Running on local URL:  http://0.0.0.0:7861
    
    
  3. Open the web page: http://[ServerIP]:7861

    Usage
    1. Upload a video and click "Process video" button in the "1. Upload and Preprocess" tab page
    2. Switch to "2. Annotate and Propagate" tab page, click to segment the objects
    3. "Add annotation" and "Propagate masks", to finish the segmentation
    4. Check the object ID in "Display object list", and switch to "3. Remove Objects" tab page
    5. Click "Preview video" to preview input video and mask video
    6. Click "Start removal" to run the SVOR algorithm
    

RORD-50 Dataset

The RORD-50 Dataset can be downloaded from TBD

Acknowledgement

Our work benefit from the following open-source projects:

Citation

If you find our repo useful for your research, please consider citing our paper:

@article{hu2026svor,
   title={From Ideal to Real: Stable Video Object Removal under Imperfect Conditions},
   author={Hu, Jiagao and Chen, Yuxuan and Li, Fuhao and Wang, Zepeng and Wang, Fei and Zhou, Daiguo and Luan, Jian},
   journal={arXiv preprint arXiv:2603.09283},
   year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · diffusers

Нельзя запустить

Модели «видео → видео» пока не запускаются.

Ревизия весов
a2b23c8

0 моделей