/ Модель

Характеристики

Лицензия
Своя лицензия
Опубликована
14 мая 2025

Puffin

Языковая модель

Puffin — мультимодальная модель для понимания сцен и генерации изображений с управлением ракурсом камеры.

0скачиваний за 30 дней24лайкавеса обновлены6 мар 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

Puffin — унифицированная мультимодальная модель для понимания сцен с учётом камеры и генерации изображений с заданных ракурсов. Её разработали Kang Liao, Size Wu и соавторы из S-Lab Наньянского технологического университета. Модель описана в статье Thinking with Camera: A Unified Multimodal Model for Camera-Centric Understanding and Generation и обучена на наборе Puffin-4M из 4 миллионов триплетов «изображение, текст, камера». В репозитории указаны формат PyTorch и задача text-to-3d.

Puffin объединяет языковую регрессию и диффузионную генерацию, представляя параметры камеры как язык. Она предназначена для генерации вида сцены с заданной конфигурацией камеры, исследования мира между ракурсами, описания предполагаемой сцены и помощи при вставке виртуальных 3D-объектов в изображения через калибровку камеры. README также описывает понимание сцен и фотосъёмочные рекомендации; в примерах показана генерация изображений с управлением камерой.

Модель работает с визуальными и текстовыми данными, а также параметрами камеры, включая глобальные параметры и попиксельные карты камеры. Размер и длина контекста в доступных сведениях не приведены. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с файлами лицензии репозитория.

Сценарии применения

  • генерация вида сцены по заданным параметрам камеры
  • создание новых ракурсов сцены по исходному изображению
  • описание сцены с учётом целевой точки обзора
  • исследование виртуального мира между ракурсами
  • калибровка камеры для вставки 3D-объектов в изображение
  • рекомендации по фотосъёмке и композиции

Ограничения

В карточке не приведены размер модели, длина контекста и подробные инструкции по запуску. Лицензия указана как other, поэтому условия коммерческого и иного использования нужно уточнять по файлам репозитория.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Thinking with Camera: A Unified Multimodal Model for Camera-Centric Understanding and Generation

Paper

This model was presented in the paper Thinking with Camera: A Unified Multimodal Model for Camera-Centric Understanding and Generation.

Abstract

Camera-centric understanding and generation are two cornerstones of spatial intelligence, yet they are typically studied in isolation. We present Puffin, a unified camera-centric multimodal model that extends spatial awareness along the camera dimension. Puffin integrates language regression and diffusion-based generation to interpret and create scenes from arbitrary viewpoints. To bridge the modality gap between cameras and vision-language, we introduce a novel paradigm that treats camera as language, enabling thinking with camera. This guides the model to align spatially grounded visual cues with photographic terminology while reasoning across geometric context. Puffin is trained on Puffin-4M, a large-scale dataset of 4 million vision-language-camera triplets. We incorporate both global camera parameters and pixel-wise camera maps, yielding flexible and reliable spatial generation. Experiments demonstrate Puffin superior performance over specialized models for camera-centric generation and understanding. With instruction tuning, Puffin generalizes to diverse cross-view tasks such as spatial imagination, world exploration, and photography guidance.

Links

Model Details

Puffin is a unified camera-centric multimodal model that extends spatial awareness along the camera dimension. It learns the camera-centric understanding and generation tasks in a unified multimodal framework. To bridge the modality gap between cameras and vision-language, we introduce a novel paradigm that treats camera as language, enabling thinking with camera. This guides the model to align spatially grounded visual cues with photographic terminology while reasoning across geometric context.

Developed byKang Liao, Size Wu, Zhonghua Wu, Linyi Jin, Chao Wang, Yikai Wang, Fei Wang, Wei Li, Chen Change Loy
AffiliationS-Lab, Nanyang Technological University
First releasedarXiv pre-print, 2025
Model typeUnified multimodal models (diffusion / autoregressive modelling with camera-centric understanding and generation)
ModalityImage → Text+Camera; Text+Camera → Image; Image+Camera → Image; Image+Camera → Text

Direct Use

  • Camera-centric understanding and generation from a single image or a pair of text and camera, supports the thinking mode.
  • World exploration: performs the cross-view generation from a given initial view and target camera configuration.
  • Spatial imagination: imagines the scene description based on an initial view and target camera configuration.
  • 3D virtual object insertion in AR/VR: assists the virtual 3D object insertion into in-the-wild images by calibrating camera parameters

Sample Usage

This section demonstrates how to generate images with camera control using Puffin-Base, based on the examples provided in the GitHub repository.

First, download the model checkpoints from 🤗 KangLiao/Puffin and organize them in a checkpoints directory, for example:

Puffin/
├── checkpoints
    ├── Puffin-Align.pth # provided for customized SFT
    ├── Puffin-Base.pth
    ├── Puffin-Thinking.pth
    ├── Puffin-Instruct.pth

You can use huggingface-cli to download the checkpoints:

# pip install -U "huggingface_hub[cli]"
huggingface-cli download KangLiao/Puffin  --local-dir checkpoints --repo-type model

To run the camera-controllable image generation:

export PYTHONPATH=./:$PYTHONPATH
python scripts/demo/generation.py configs/pipelines/stage_2_base.py \
          --checkpoint checkpoints/Puffin-Base.pth --output generation_result.jpg \
          --prompt "A streetlamp casts light on an outdoor mural with intricate floral designs and text, set against a building wall." \
          -r -0.3939 -p 0.0277 -f 0.7595

This command generates an image based on the provided text prompt and camera parameters (roll: -r, pitch: -p, vertical field-of-view: -f, all in radians). The output image will be saved as generation_result.jpg.

To enable the thinking mode for image generation, please simply change the settings and append the --thinking flag:

python scripts/demo/generation.py configs/pipelines/stage_3_thinking.py \
          --checkpoint checkpoints/Puffin-Thinking.pth --output generation_result_thinking.jpg \
          --prompt "A streetlamp casts light on an outdoor mural with intricate floral designs and text, set against a building wall." \
          -r -0.3939 -p 0.0277 -f 0.7595 \
          --thinking

Citation

If you find Puffin useful for your research or applications, please cite our paper using the following BibTeX:

  @article{liao2025puffin,
    title={Thinking with Camera: A Unified Multimodal Model for Camera-Centric Understanding and Generation},
    author={Liao, Kang and Wu, Size and Wu, Zhonghua and Jin, Linyi and Wang, Chao and Wang, Yikai and Wang, Fei and Li, Wei and Loy, Chen Change},
    journal={arXiv preprint arXiv:2510.08673},
    year={2025}
  }

License

This project is licensed under NTU S-Lab License 1.0.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

3D-генерация пока не поддерживается.

Ревизия весов
b56171f

0 моделей