/ Модель

Характеристики

Лицензия
MIT
Библиотека
pytorch
Опубликована
3 окт 2026

muviseg

Эмбеддинги изображенийИзображение → embedding

MuViSeg сопоставляет сегменты одних и тех же физических объектов между несколькими изображениями сцены, используя геометрические признаки MASt3R или VGGT.

0скачиваний за 30 дней0лайковвеса обновлены3 окт 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

MuViSeg — набор обученных голов для сопоставления сегментов одного и того же объекта на двух или нескольких изображениях сцены. Модель разработана для проекта MuViSeg, представленного на ACCV 2026. На вход подаются изображения и соответствующие классонезависимые маски сегментации. Замороженная основа MASt3R или VGGT извлекает плотные геометрические дескрипторы, которые объединяются в дескриптор каждого сегмента; обучаемая голова с attention-механизмом в стиле LightGlue и DoubleSoftmax Matcher предсказывает соответствия и учитывает несопоставленные сегменты.

В репозитории размещены только обучаемые головы: основу нужно отдельно загрузить при инференсе. Опубликованы варианты на базе MASt3R и VGGT, включая попарное и многокадровое сопоставление; число обучаемых параметров в перечисленных вариантах составляет около 0,8–11 млн. README приводит результаты на Replica и Virtual KITTI 2, но отмечает, что воспроизводимость отдельных строк различается. Чекпойнты не содержат состояния оптимизатора и не подходят для возобновления обучения. Лицензия репозитория — MIT; лицензии и условия использования базовых моделей определяются их авторами.

Сценарии применения

  • сопоставление объектов между парой фотографий сцены
  • поиск соответствующих сегментов при изменении ракурса
  • сопоставление сегментов в последовательности многокадровых изображений
  • определение сегментов без соответствия между изображениями
  • извлечение признаков сегментов для задач многовидового 3D-зрения

Ограничения

Для инференса требуется отдельно загрузить основу MASt3R или VGGT; опубликованные файлы содержат только обучаемые головы. Они не включают состояние оптимизатора для возобновления обучения, а воспроизводимость некоторых результатов зависит от конфигурации и бенчмарка.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

MuViSeg checkpoints

Trained heads for MuViSeg: Multi-View Segment Correspondences from Dense Geometry Priors (ACCV 2026).

Given two or more images of the same scene plus class-agnostic segmentation masks for each, MuViSeg predicts which segments correspond to the same physical object. A frozen 3D foundation-model backbone (MASt3R or VGGT) supplies dense descriptors, masked average pooling gives one descriptor per segment, and a lightweight trainable head (LightGlue-style attention with a DoubleSoftmax matcher) predicts the assignment, with a dustbin for unmatched segments.

These are head-only checkpoints

The frozen backbone is stripped and reloaded separately at inference time, so each file is a few MB rather than a few GB. Each holds the trainable head plus epoch, global_step, best_val_ma and the validation metrics. They cannot resume training — that needs the optimizer state of a full checkpoint.

The backbones are not hosted here; they belong to their upstream authors: VGGT-1B from facebook/VGGT-1B, and MASt3R from the MASt3R release.

filemodeltrainable paramssize
segmast3r_lg_v2/best.pthSegMASt3R + LG v2~0.8 M3.3 MB
segvggt_dpt/v3-001/best.pthSegVGGT-DPT, pairwise~10.7 M50 MB
segvggt_dpt/joint-001/best.pthSegVGGT-DPT, joint attention over N frames~11.0 M49 MB
segvggt/best.pthSegVGGT single-layer (ablation)~0.8 M5.5 MB
segvggt/step_0140000.pthSegVGGT single-layer, step 140k~0.8 M5.5 MB

The single-layer row reported in the paper uses segvggt/best.pth on Replica and segvggt/step_0140000.pth on Virtual KITTI 2, which is why both are published.

Results

Overall AUPRC / R@1 / R@5, on the frozen benchmark pair lists shipped with the code.

modelReplicaVirtual KITTI 2
SegMASt3R + LG v284.5 / 77.5 / 93.681.2 / 72.7 / 92.8
SegVGGT-DPT (pairwise)79.7 / 74.1 / 90.151.9 / 42.9 / 67.6
SegVGGT-DPT Joint (N=4)81.6 / 76.5 / 90.652.8 / 43.2 / 66.8
SegVGGT single-layer79.2 / 73.3 / 89.651.5 / 42.1 / 66.3

MASt3R + LG v2 dominates at small viewpoint change; joint multi-frame attention narrows the gap at large rotations. The code repository's docs/reproduction.md states which rows are exactly reproducible and which are not — read it before comparing against the paper.

Usage

git clone https://github.com/MuViSeg/muviseg-codeRelease.git
cd muviseg-codeRelease
uv sync
bash setup_third_party.sh
uv run python scripts/download_checkpoints.py --all --verify

That places every file where the shipped configs expect it. To fetch one directly:

from huggingface_hub import hf_hub_download

path = hf_hub_download("MuViSeg/muviseg", "segvggt_dpt/v3-001/best.pth")

License

MIT, as the code. Third-party components (MASt3R, VGGT, SegMASt3R, LightGlue, RoMa, SAM 2, FastSAM) remain under their own licenses.

Citation

@inproceedings{muviseg2026,
  title     = {MuViSeg: Multi-View Segment Correspondences from Dense Geometry Priors},
  author    = {Fatykhoph, Denis and Akhtyamov, Timur and Pakulev, Konstantin
               and Devchich, German and Ferrer, Gonzalo},
  booktitle = {Proceedings of the Asian Conference on Computer Vision (ACCV)},
  year      = {2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch · image-feature-extraction

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
b50d466

0 моделей