/ Модель

Характеристики

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

Latent-Foresight_csnscovla

Эмбеддинги изображенийИзображение → embedding

Латентная модель мира, предсказывающая представления будущих дорожных кадров для исследований в области автономного вождения.

11скачиваний за 30 дней1лайквеса 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 — исследовательская модель латентного мира для предсказания будущих кадров, разработанная Sta8is. Автоэнкодер сжимает признаки замороженной DINOv2 в компактное латентное пространство, а трансформер диффузии (DiT) предсказывает представление будущего кадра с помощью flow matching. Автоэнкодер и предсказатель обучаются совместно, чтобы латентное пространство было удобнее для прогнозирования.

Эта версия обучена на объединении Cityscapes, nuScenes и CoVLA и рассчитана на изображения высокого разрешения 448×896. Модель предназначена для изучения предсказуемых представлений в латентных моделях мира и сценариев автономного вождения. Репозиторий содержит чекпойнт PyTorch; для примера использования также нужны статистики признаков и DPT-головы сегментации, глубины и нормалей из другого репозитория Latent-Foresight_cs. Лицензия — MIT.

Сценарии применения

  • прогнозирование представления будущего кадра дорожной сцены
  • исследование латентных моделей мира для автономного вождения
  • обучение предсказуемых визуальных представлений
  • эксперименты с генерацией будущих кадров в латентном пространстве

Ограничения

Для использования примера требуются статистики DINOv2 и DPT-головы сегментации, глубины и нормалей из репозитория Latent-Foresight_cs. Описание сообщает о прогнозировании латентного представления кадров, но не утверждает, что чекпойнт непосредственно выдаёт готовые изображения.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Latent-Foresight (Cityscapes + nuScenes + CoVLA): 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.

This repository contains the scaled-up model, trained on the combination of Cityscapes, nuScenes and CoVLA instead of Cityscapes alone. Scaling the training data improves performance over the Cityscapes-only model.

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

Checkpoint

FileDescription
latent_foresight_csnscovla.ckptLatent-Foresight trained on Cityscapes + nuScenes + CoVLA, high resolution (448x896)

Sample Usage

The feature statistics (dinov2_stats.pth) and the DPT heads (head_segm.pth, head_depth.pth, head_normals.pth) are not duplicated here. Download them from Sta8is/Latent-Foresight_cs:

hf download Sta8is/Latent-Foresight_csnscovla --local-dir checkpoints
hf download Sta8is/Latent-Foresight_cs dinov2_stats.pth head_segm.pth head_depth.pth head_normals.pth --local-dir checkpoints

For installation, training and evaluation (use --ckpt checkpoints/latent_foresight_csnscovla.ckpt), 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
e8bfd80

0 моделей