/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Wan2.1-Fun-14B-Control
Опубликована
1 июл 2026

MoGe4D

Видео из изображенияИзображение, текст → видео

MoGe4D преобразует одно изображение в динамическую 4D-сцену с плотными траекториями точек и синтезом новых ракурсов.

0скачиваний за 30 дней2лайкавеса обновлены6 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

MoGe4D — исследовательская система для синтеза динамической 4D-сцены по одному изображению. Её разработали Yanran Zhang, Ziyi Wang и коллеги из Университета Цинхуа и GigaAI. Система строит плотные траектории 3D-точек во времени, чтобы связать геометрию сцены с движением, а затем формирует представление для синтеза видов с произвольной траекторией камеры.

В репозитории опубликованы генератор траекторий 4D-STraG на основе диффузионной модели Wan2.1-14B, LoRA-модуль синтеза видов 4D-ViSM и VAE для сигналов траекторий. Модель предназначена для преобразования статичного изображения в динамическую сцену с временной и геометрической согласованностью и для синтеза новых ракурсов. README не уточняет поддерживаемые языки запросов или длину контекста; для этой задачи текстовый контекст не является основным интерфейсом.

Модель доступна по лицензии Apache-2.0. Для запуска требуются базовые модели Wan2.1-Fun, OmniMAE и UniDepth, а также сторонние зависимости, включая diff-gaussian-rasterization; размер основного компонента составляет около 31,9 ГиБ.

Сценарии применения

  • создание динамической 4D-сцены по одному изображению
  • генерация движения объектов с учётом геометрии сцены
  • синтез новых ракурсов движущейся сцены
  • подготовка интерактивного представления статичного изображения

Ограничения

Для запуска требуются несколько базовых моделей и сторонние зависимости; основной генератор занимает около 31,9 ГиБ. В README не приведены количественные метрики и подробные результаты оценки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

[ECCV 2026] MoGe4D: Geometry-Aware Single-Image 4D Synthesis via Dense Trajectory Generation

Yanran Zhang*,1, Ziyi Wang*,1, Wenzhao Zheng†,1, Zheng Zhu2, Jie Zhou1, Jiwen Lu1

1Department of Automation, Tsinghua University     2GigaAI

*Equal Contribution    †Corresponding Author

📄 Paper Summary

Generating interactive and dynamic 4D scenes from a single static image is a core challenge. Existing methods decouple geometry from motion — either generate-then-reconstruct (geometric inconsistency) or reconstruct-then-generate (limited, externally-constrained motion) — causing spatiotemporal inconsistency and poor generalization.

MoGe4D (Motion and Geometry-aware image-to-4D synthesis) is a geometry-conditioned framework that models a scene as dense 4D point trajectories. Starting from an initial geometric prior of the input image, it predicts future time-varying trajectories through a diffusion process, tightly coupling geometric modeling with motion generation. This yields 4D scenes with strong temporal coherence, geometry-aware consistency, and compelling novel-view synthesis.

Contributions:

  • TrajScene-60K — 60K videos with dense 4D point trajectories (3M+ frames, ~12B 3D points).
  • 4D-STraG — a diffusion trajectory generator with depth-guided motion normalization and a Motion Perception Module (MPM).
  • 4D-ViSM — a view-synthesis module rendering the 4D representation under arbitrary camera trajectories.

🧱 Model Structure

This repository releases the three trained components of MoGe4D:

PathSizeDescription
4D-STraG/diffusion_pytorch_model.safetensors~31.9 GiB4D Scene Trajectory Generator (diffusion model, built on Wan2.1-14B)
4D-ViSM/lora_diffusion_pytorch_model.safetensors~1.36 GiB4D View Synthesis Module (LoRA adapter)
VAE/vae/pytorch_model.bin~484 MiBMotion-sensitive VAE for trajectory signals
VAE/{encoder,decoder}_prompt/pytorch_model.bin~1–2 MiBVAE prompt encoder/decoder
VAE/{optimizer.bin, scheduler.bin, random_states_0.pkl}—Training states for the VAE (optional, for resuming training)

🛠️ Usage

1. Set up the environment

git clone https://github.com/Zhangyr2022/MoGe4D.git
cd MoGe4D
conda create -n MoGe4D python=3.10 && conda activate MoGe4D
conda install pytorch torchvision torchaudio pytorch-cuda=12.4 -c pytorch -c nvidia
pip install -r requirements.txt

Install third-party deps: UniDepth and diff-gaussian-rasterization.

2. Download the checkpoints

huggingface-cli download Yanran21/MoGe4D --local-dir ./models --resume-download

(Also place the base backbones Wan2.1-Fun-V1.1-14B-Control/InP, OmniMAE, and UniDepth under ./models.)

3. Inference

bash scripts/inference/infer.sh        # whole pipeline: image → 4D scene → multi-view videos

See the GitHub README for training scripts and details.

📊 Results

MoGe4D delivers superior geometric consistency, dynamic realism, and visual fidelity over decoupled approaches (e.g., generate-then-reconstruct with VGGT). Please refer to the paper for quantitative metrics and qualitative comparisons.

📖 Citation

@inproceedings{zhang2026moge4d,
  title={Geometry-Aware Single-Image 4D Synthesis via Dense Trajectory Generation},
  author={Zhang, Yanran and Wang, Ziyi and Zheng, Wenzhao and Zhu, Zheng and Zhou, Jie and Lu, Jiwen},
  booktitle={European Conference on Computer Vision (ECCV)},
  year={2026}
}

📧 Contact

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Модели «картинка → видео» пока не запускаются.

Ревизия весов
a702db9

0 моделей