/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
vq_model · dense
Опубликована
21 июл 2026

EMAVQ-16384-f8-d256

Преобразование изображенийИзображение, текст → изображение3 профессии

Предобученный EMA-VQGAN преобразует изображения в дискретные токены для квантования и визуального токенизирования в проекте TextArtT5.

9скачиваний за 30 дней0лайковвеса обновлены24 июл 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

EMA-VQGAN-16384-f8-d256 — официально предобученная модель первого этапа проекта TextArtT5, разработанная авторами этого проекта. Она преобразует изображения в дискретные визуальные токены и предназначена для квантования изображений и использования как визуальный токенизатор в генеративном конвейере TextArtT5. Модель основана на VQGAN с кодовой книгой из 16 384 векторов, коэффициентом уменьшения разрешения 8 и латентной размерностью 256. Она кодирует изображение 256 × 256 × 3 в сетку токенов 32 × 32; в README указано около 94,5 млн параметров и валидационный rFID 2,21.

Веса опубликованы в формате safetensors под лицензией Apache-2.0. Для использования требуются классы архитектуры из основного репозитория TextArtT5. Модель обучалась на объединённом наборе данных ImageNet, Conceptual Captions (CC3M), MS-COCO, Flickr и CelebA/CelebA-Dialog. Это визуальный дискретный токенизатор, а не самостоятельная текстовая модель или полный генератор изображений; Stage 2 проекта реализует отдельный авторегрессионный трансформер.

Сценарии применения

  • квантование изображений 256 × 256 в дискретные токены
  • кодирование изображений в латентную сетку 32 × 32
  • подготовка визуальных токенов для генеративной модели TextArtT5

Ограничения

Для инференса нужны классы архитектуры из основного репозитория TextArtT5. Это токенизатор изображений, а не самостоятельная модель генерации изображений; генеративный Stage 2 проекта является отдельным компонентом.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

EMA-VQGAN (16384-f8-d256)

This repository contains the official pre-trained weights for EMA-VQGAN-16384-f8-d256 (Stage 1 Image Quantization Model), serving as the visual discrete token backbone for the TextArtT5 project.


🔗 Main Repository

For full source code, training pipelines, dataset details, and the Stage 2 Autoregressive Transformer, please visit our main GitHub repository:

👉 GitHub: TextArtT5 Repository


Model Summary

  • Model Type: EMA VQGAN (Vector Quantized GAN with Exponential Moving Average)
  • Codebook Size (N): 16,384
  • Downsampling Factor (f): 8 (Compresses 256 × 256 × 3 images into 32 × 32 token grids)
  • Latent Dimension (d): 256
  • Parameters: ~94.5M
  • Validation rFID: 2.21
  • Training Corpus: Combined dataset including ImageNet, Conceptual Captions (CC3M), MS-COCO, Flickr, and CelebA / CelebA-Dialog.

Quick Inference Example

Make sure you have cloned the TextArtT5 GitHub repository to access the model architecture classes.

import torch
from PIL import Image
from torchvision.transforms import v2
from src.model.vq_model import EMAVQModel

device = "cuda" if torch.cuda.is_available() else "cpu"
dtype = torch.bfloat16 if torch.cuda.is_available() and torch.cuda.is_bf16_supported() else torch.float32

# 1. Load Pre-trained Model directly from Hugging Face
model = EMAVQModel.from_pretrained("TrungNt14/EMAVQ-16384-f8-d256").to(device=device, dtype=dtype)
model.eval()

# 2. Image Preprocessing Pipeline
image_size = (256, 256)
transform = v2.Compose([
    v2.Resize(max(image_size), interpolation=v2.InterpolationMode.BICUBIC),
    v2.CenterCrop(image_size),
    v2.ToImage(),
    v2.ToDtype(dtype, scale=True),
    v2.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5]),
])

# 3. Process Input Image
img = Image.open("path/to/your/image.png").convert("RGB")
img_tensor = transform(img).unsqueeze(0).to(device)

# 4. Quantize & Reconstruct
with torch.no_grad():
    # Encode to discrete codebook latents
    quant, _, info = model.encode(img_tensor)
    
    # Decode back to image space
    reconstruction = model.decode(quant)

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели «картинка → картинка» пока не запускаются.

Класс архитектуры
EMAVQModel
Ревизия весов
8a499f6

0 моделей