/ Модель

Характеристики

Лицензия
MIT
Архитектура
latent-foresight · dense
Библиотека
pytorch
Опубликована
4 окт 2026

Latent-Foresight_cs

Эмбеддинги изображенийИзображение → embedding

Latent-Foresight предсказывает латентные представления будущих кадров для задач моделирования мира и анализа сцен автономного вождения.

12скачиваний за 30 дней0лайковвеса обновлены11 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

Latent-Foresight — модель представления мира, обученная на Cityscapes. Она сжимает признаки замороженного DINOv2 в компактное латентное пространство и предсказывает представления будущих кадров с помощью диффузионного трансформера, обученного методом flow matching. Автоэнкодер и предсказатель обучаются совместно, чтобы латентные представления было легче предсказывать.

Модель предназначена для предсказания будущих кадровых представлений в сценариях автономного вождения. Предсказанные признаки можно декодировать готовыми DPT-головами в семантическую сегментацию, карты глубины и поверхностные нормали. В репозитории приведены контрольные точки для Cityscapes с разрешениями 224×448 и 448×896; высокое разрешение получено дообучением низкоразрешённой модели. Реализация использует PyTorch.

Лицензия — MIT. Обучение на Cityscapes и задачи предсказания будущих кадровых признаков ограничивают переносимость модели на другие домены и сценарии; качество декодирования зависит от используемых DPT-голов.

Сценарии применения

  • предсказание признаков будущих кадров дорожной сцены
  • получение семантической сегментации предсказанных кадров
  • оценка глубины в сценах автономного вождения
  • предсказание поверхностных нормалей дорожной сцены

Ограничения

Модель обучена на Cityscapes, поэтому её переносимость на другие визуальные домены не установлена. Для декодирования предсказанных признаков в сегментацию, глубину и нормали нужны DPT-головы.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Latent-Foresight: End-to-End Learning Predictable Representations for Latent World Models

image

Latent-Foresight learns a latent world model end to end: an autoencoder compresses frozen DINOv2 features into a compact latent space, and a diffusion transformer (DiT), trained with a flow-matching (rectified flow) objective, predicts the latent of future frames. The autoencoder and the predictor are trained jointly, so the latent space is shaped to be predictable. Off-the-shelf DPT heads then decode the predicted features into semantic segmentation, depth and surface normals.

This repository contains the checkpoints trained on Cityscapes.

Paper

Latent-Foresight: End-to-End Learning Predictable Representations for Latent World Models

Code

The official implementation can be found on GitHub: https://github.com/Sta8is/Latent-Foresight

Checkpoints

FileDescription
latent_foresight_cs_lowres.ckptLatent-Foresight trained on Cityscapes at low resolution (224x448)
latent_foresight_cs.ckptLatent-Foresight fine-tuned on Cityscapes at high resolution (448x896)
dinov2_stats.pthPer-channel mean and std used to normalize the DINOv2 features (--meanstd_ckpt)
head_segm.pthDPT head for semantic segmentation
head_depth.pthDPT head for depth estimation
head_normals.pthDPT head for surface normal estimation

Sample Usage

Install the environment with uv and download the checkpoints:

git clone https://github.com/Sta8is/Latent-Foresight
cd Latent-Foresight
uv sync
source .venv/bin/activate
hf download Sta8is/Latent-Foresight_cs --local-dir checkpoints

For training and evaluation instructions, refer to the GitHub repository.

Citation

If you found Latent-Foresight useful in your research, please consider starring ⭐ us on GitHub and citing 📚 us in your research!

@article{karypidis2026latent,
  title={Latent-Foresight: End-to-End Learning Predictable Representations for Latent World Models},
  author={Karypidis, Efstathios and Gidaris, Spyros and Komodakis, Nikos},
  journal={arXiv preprint arXiv:2610.01942},
  year={2026}
}

Acknowledgements

Our code is partially based on Dino-Foresight. We also thank the authors of DINOv2 and DPT for their work and open-source code.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch · image-feature-extraction

Нельзя запустить

Архитектура latent-foresight неизвестна transformers в образе рантайма.

Класс архитектуры
LATENT_FORESIGHT
Ревизия весов
ae7b8af

0 моделей