/ Модель

Характеристики

Лицензия
CC BY-NC 4.0
Библиотека
pytorch
Опубликована
2 июл 2025

Concerto

Языковая модель

Concerto обучает пространственные представления по 3D-облакам точек и 2D-изображениям для задач понимания и анализа сцен.

0скачиваний за 30 дней24лайкавеса обновлены18 авг 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

Concerto — модель Pointcept для обучения пространственных представлений по 3D-облакам точек и связанным с ними 2D-изображениям. Она сочетает самообучение внутри 3D-модальности с совместным встраиванием 2D и 3D через кросс-модальную дистилляцию. В репозитории представлены веса нескольких размеров и вариантов, включая модель для исходной работы и варианты для линейной оценки и уличных данных.

Модель предназначена для извлечения признаков сцен и задач 3D-понимания: сегментации и восприятия сцен, а также построения представлений для классификации и оценки с малым количеством размеченных данных. В статье описаны результаты на бенчмарках понимания сцен, включая ScanNet, и вариант проекции признаков в языковое пространство CLIP для открытого восприятия. Для вариантов Utonia в карточке рекомендуется подавать нулевые цвета и нормали, если эти данные отсутствуют.

Веса распространяются по лицензии CC BY-NC 4.0, которая ограничивает коммерческое использование. README не приводит точные сведения о контекстном окне или о конкретных входных форматах инференса; для практического запуска авторы отсылают к официальному коду и демо.

Сценарии применения

  • извлечение признаков из 3D-сцен
  • семантическая сегментация облаков точек
  • линейная оценка представлений 3D-сцен
  • понимание сцен ScanNet
  • открытое восприятие сцен с проекцией признаков в пространство CLIP

Ограничения

Веса сами по себе не описывают полный процесс инференса; для установки, подготовки данных и тестирования авторы направляют к официальному коду. Лицензия CC BY-NC 4.0 запрещает коммерческое использование без отдельного разрешения.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Concerto: Joint 2D-3D Self-Supervised Learning Emerges Spatial Representations

This repository contains the model weights for Concerto, a novel approach for learning robust spatial representations presented in the paper Concerto: Joint 2D-3D Self-Supervised Learning Emerges Spatial Representations.

Models

concerto_base_siglip.pth: replace DINOv2 with SigLIPv2 in cross-modal distillation.

concerto_large_linear_prob_head_sc.pth: ScanNet linear probing head.

concerto_large_outdoor.pth: outdoor pretraining weight using similar recipe.

The default models(concerto_large/base/small/tiny) are the pre-release version of our next work, Utonia, which can deal with input without color and normal. If colors and normals are not available, please set them to zeros. We pre-release these for general public use because many tasks lack such information. The original Concerto model is concerto_base_origin.pth.

Model SizeChannelsDepthsHead nums
Tiny(16, 32, 64, 128, 256)(1, 1, 1, 3, 1)(1, 2, 4, 8, 16)
Small(32, 64, 128, 256, 512)(2, 2, 2, 6, 2)(2, 4, 8, 16, 32)
Base(48, 96, 192, 384, 512)(3, 3, 3, 12, 3)(3, 6, 12, 24, 32)
Large(64, 128, 256, 512, 768)(3, 3, 3, 12, 3)(4, 8, 16, 32, 48)

Abstract

Humans learn abstract concepts through multisensory synergy, and once formed, such representations can often be recalled from a single modality. Inspired by this principle, we introduce Concerto, a minimalist simulation of human concept learning for spatial cognition, combining 3D intra-modal self-distillation with 2D-3D cross-modal joint embedding. Despite its simplicity, Concerto learns more coherent and informative spatial features, as demonstrated by zero-shot visualizations. It outperforms both standalone SOTA 2D and 3D self-supervised models by 14.2% and 4.8%, respectively, as well as their feature concatenation, in linear probing for 3D scene perception. With full fine-tuning, Concerto sets new SOTA results across multiple scene understanding benchmarks (e.g., 80.7% mIoU on ScanNet). We further present a variant of Concerto tailored for video-lifted point cloud spatial understanding, and a translator that linearly projects Concerto representations into CLIP's language space, enabling open-world perception. These results highlight that Concerto emerges spatial representations with superior fine-grained geometric and semantic consistency.

Usage

For detailed installation, data preparation, training, and testing instructions, please refer to the official codebase and inference demo.

Citation

If you find Concerto or the Pointcept codebase useful in your research, please cite the following papers:

@misc{pointcept2023,
    title={Pointcept: A Codebase for Point Cloud Perception Research},
    author={Pointcept Contributors},
    howpublished = {\url{https://github.com/Pointcept/Pointcept}},
    year={2023}
}

@article{zhang2025concerto,
  title={Concerto: Joint 2D-3D Self-Supervised Learning Emerges Spatial Representations},
  author={Zhang, Yujia and Wu, Xiaoyang and Lao, Yixing and Wang, Chengyao and Tian, Zhuotao and Wang, Naiyan and Zhao, Hengshuang},
  journal={Conference on Neural Information Processing Systems},
  year={2025},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch

Нельзя запустить

Графовые модели пока не поддерживаются.

Ревизия весов
efc1307

0 моделей