/ Модель

Характеристики

Лицензия
Apache 2.0
Опубликована
15 июн 2024

Open-MAGVIT2

Эмбеддинги изображенийИзображение → embedding

Open-MAGVIT2 — PyTorch-реализация токенизатора MAGVIT-2 для извлечения визуальных признаков и подготовки изображений к авторегрессионной генерации.

0скачиваний за 30 дней15лайковвеса обновлены9 сен 2024

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

Open-MAGVIT2 — реализация на PyTorch токенизатора изображений MAGVIT-2, созданная TencentARC. Модель предназначена для извлечения визуальных признаков и представления изображений в виде дискретных кодов, которые можно использовать в авторегрессионной генерации изображений и видео. В README приведены контрольные точки для ImageNet с разрешениями 128×128 и 256×256.

Токенизатор использует технику LookUpFree при квантовании и кодовую книгу размером 2^18. Репозиторий предоставляет веса в формате PyTorch; для обучения, оценки и инференса README направляет к скриптам проекта на GitHub. Указана лицензия Apache-2.0.

Модель ориентирована на визуальные данные и не описана как самостоятельный генератор изображений или видео: она служит компонентом токенизации в таких конвейерах. В README отмечено, что это близкая к оригиналу переимплементация MAGVIT-2, поэтому результаты могут отличаться от исходной реализации.

Сценарии применения

  • токенизация изображений для авторегрессионной генерации
  • извлечение визуальных признаков из изображений
  • подготовка изображений ImageNet размером 128×128 и 256×256 к генеративному конвейеру
  • создание дискретных представлений изображений для экспериментов с генерацией видео

Ограничения

README описывает модель как компонент токенизации, а не самостоятельную систему генерации изображений или видео. Это переимплементация, стремящаяся приблизиться к оригиналу, поэтому её результаты могут отличаться от исходной модели.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Open-MAGVIT2: Democratizing Autoregressive Visual Generation

Code: https://github.com/TencentARC/Open-MAGVIT2

Paper: https://huggingface.co/papers/2409.04410

Introduction

Until now, VQGAN, the initial tokenizer is still acting an indispensible role in mainstream tasks, especially autoregressive visual generation. Limited by the bottleneck of the size of codebook and the utilization of code, the capability of AR generation with VQGAN is underestimated.

Therefore, MAGVIT2 proposes a powerful tokenizer for visual generation task, which introduces a novel LookUpFree technique when quantization and extends the size of codebook to $2^{18}$, exhibiting promising performance in both image and video generation tasks. And it plays an important role in the recent state-of-the-art AR video generation model VideoPoet. However, we have no access to this strong tokenizer so far. ☹️

In the codebase, we follow the significant insights of tokenizer design in MAGVIT-2 and re-implement it with Pytorch, achieving the closest results to the original so far. We hope that our effort can foster innovation, creativity within the field of Autoregressive Visual Generation. 😄

ImageNet 128 × 128:

ImageNet 256 × 256:

Usage

Refer to the Github repository which includes scripts for training, evaluation and inference.

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

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

Ревизия весов
6072305

0 моделей