/ Модель

Характеристики

Лицензия
CC BY 4.0
Архитектура
csd · dense
Библиотека
transformers
Опубликована
10 авг 2026

CSD

Эмбеддинги изображенийИзображение → embedding4 профессии

CSD на основе CLIP ViT-L/14 извлекает стилевые и содержательные признаки изображений для оценки стилевого сходства.

59скачиваний за 30 дней0лайковвеса обновлены26 авг 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

bigshanedogg/CSD — неофициальная версия модели CSD в формате Transformers, подготовленная bigshanedogg на основе опубликованных весов CSD. Модель использует визуальную основу CLIP ViT-L/14 без проекционного слоя: извлечённые признаки размерности 1024 преобразуются отдельными обученными головами стиля и содержания в L2-нормализованные дескрипторы размерности 768. Для обработки изображений применяется масштабирование короткой стороны до 224 пикселей, центральное кадрирование до 224×224 и нормализация CLIP.

Модель предназначена для извлечения признаков изображений и сравнения их стилистического сходства: сходство двух изображений оценивается косинусом между их стилевыми эмбеддингами. Также доступны эмбеддинги содержания. Для загрузки используется trust_remote_code; во время выполнения не требуются clip или open_clip. Репозиторий содержит веса safetensors. Порт лицензирован по MIT, исходный код CSD — по MIT, а веса — по CC-BY-4.0 с требованием атрибуции Somepalli и соавторам / University of Maryland. Это неофициальный порт.

Сценарии применения

  • поиск изображений с похожим художественным стилем
  • сравнение стилевого сходства двух изображений
  • извлечение стилевых эмбеддингов изображений
  • извлечение эмбеддингов содержания изображений

Ограничения

Это неофициальный порт, использующий trust_remote_code при загрузке. Для стилевого сравнения README описывает cosine similarity стилевых эмбеддингов; точность на конкретных данных не указана.

Для каких профессий подходит4

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

CSD (ViT-L/14) — HuggingFace format

Unofficial transformers-format port of the CSD style model from "Measuring Style Similarity in Diffusion Models" (Somepalli, Gupta, Gupta, Shrivastava, Goldstein, Feizi; 2024). Loads via trust_remote_code with no clip / open_clip runtime dependency — the OpenAI CLIP ViT-L/14 vision tower is vendored into modeling_csd.py and the released CSD weights are stored as model.safetensors.

Not an official release. Original code: https://github.com/learn2phoenix/CSD (MIT). Official checkpoint mirror: https://huggingface.co/tomg-group-umd/CSD-ViT-L (CC-BY-4.0). This repo repackages that checkpoint for AutoModel.from_pretrained.

What it is

A CLIP ViT-L/14 vision backbone (projection removed) whose pre-projection feature (1024-d) is mapped by a learned style head and a content head to 768-d descriptors, each L2-normalized. Style similarity between two images is the cosine of their style embeddings.

Usage

import torch
from PIL import Image
from transformers import AutoModel, AutoImageProcessor

model = AutoModel.from_pretrained("bigshanedogg/CSD", trust_remote_code=True).eval()
proc = AutoImageProcessor.from_pretrained("bigshanedogg/CSD", trust_remote_code=True)

px = proc(images=Image.open("a.png"), return_tensors="pt")["pixel_values"]
out = model(pixel_values=px)
style = out.embeddings            # (1, 768), L2-normalized style descriptor
content = out.content_embeddings  # (1, 768), L2-normalized content descriptor

The image processor resizes the short side to 224 (BICUBIC), center-crops 224, and applies the CLIP mean/std — matching the upstream CSD preprocessing.

Licensing

  • Port (modeling/config/processing): MIT — Copyright (c) 2026 bigshanedogg.
  • CSD original code: MIT — Copyright (c) 2023 the CSD authors (https://github.com/learn2phoenix/CSD).
  • Released CSD weights (model.safetensors, from tomg-group-umd/CSD-ViT-L): CC-BY-4.0 — attribute Somepalli et al. / University of Maryland.
  • Vendored ViT tower: MIT — Copyright (c) 2021 OpenAI (https://github.com/openai/CLIP), MODIFIED.

See LICENSE for the full notices.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-feature-extraction

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
CSDModel
Ревизия весов
c3ffe95

0 моделей