/ Модель

Характеристики

Лицензия
MIT
Архитектура
dreamsim · dense
Библиотека
transformers
Опубликована
9 авг 2026

dreamsim-ensemble

Эмбеддинги изображенийИзображение → embedding3 профессии

Неофициальная упаковка ансамбля DreamSim извлекает эмбеддинги изображений для оценки их перцептивного сходства.

23скачиваний за 30 дней1лайквеса обновлены9 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

Это неофициальная упаковка DreamSim в формате Hugging Face Transformers от автора репозитория bigshanedogg. Модель оценивает перцептивное сходство изображений: извлекает признаки из двух изображений, после чего расстояние можно вычислить как 1 минус косинусное сходство эмбеддингов.

Ансамбль объединяет три адаптированных с помощью LoRA бэкбона ViT-B/16: DINO, CLIP и OpenCLIP. Он формирует нормализованный вектор признаков размерности 1792. Процессор изменяет размер изображения до 224×224 пикселей; веса хранятся в формате safetensors. README сообщает о совпадении результатов с официальным пакетом DreamSim на 1000 изображениях с расхождением лишь на уровне округления float32.

Модель предназначена для сравнения визуального сходства, поиска похожих изображений и задач оценки перцептивной близости. Лицензия порта и исходных весов DreamSim — MIT; код бэкбона DINO распространяется по Apache-2.0. Для коммерческого использования следует также учитывать условия, связанные с весами CLIP и OpenCLIP и происхождением данных LAION.

Сценарии применения

  • сравнение перцептивного сходства двух изображений
  • поиск визуально похожих изображений по эмбеддингам
  • ранжирование изображений по сходству с запросом-изображением
  • оценка визуальных изменений между версиями изображения

Ограничения

Для обработки используются изображения, приводимые к размеру 224×224 пикселя, что может влиять на мелкие детали. Перед коммерческим применением следует проверить условия лицензирования зависимых бэкбонов CLIP и OpenCLIP и происхождение данных LAION.

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

DreamSim (ensemble) — HuggingFace format

Unofficial HuggingFace-format port of the DreamSim perceptual-similarity metric (ensemble variant). Loads via trust_remote_code with no dreamsim / peft runtime dependency; weights are the LoRA-merged ensemble stored as model.safetensors.

Not an official DreamSim release. DreamSim was created by Shobhita Sundaram, Netanel Tamir, Stephanie Fu, and Richard Zhang — see the original repository https://github.com/ssundaram21/dreamsim and paper "DreamSim: Learning New Dimensions of Human Visual Similarity using Synthetic Data" (NeurIPS 2023). This repo re-packages their released ensemble for transformers.

What it is

The ensemble concatenates the features of three ViT-B/16 backbones — DINO (cls), CLIP (embedding), OpenCLIP (embedding) — each LoRA-adapted, then mean/L2-normalizes (embed_size = 1792). Perceptual distance between two images is 1 − cos.

This port has been verified against the official dreamsim package on 1,000 real images: max |Δ embedding| < 3e-7 and max |Δ distance| < 2e-7 — identical up to float32 rounding.

Usage

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

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

img_a = proc(images=Image.open("a.png"), return_tensors="pt")["pixel_values"]
img_b = proc(images=Image.open("b.png"), return_tensors="pt")["pixel_values"]

emb = model(pixel_values=img_a).embeddings          # (1, 1792)
dist = model.compute_distance(img_a, img_b)          # 1 - cos (higher = more different)

The image processor resizes to 224×224 (BICUBIC) and scales to [0, 1]; the per-backbone mean/std normalization is applied inside the model.

Licensing

  • Port + original DreamSim code/weights: MIT — see LICENSE.
  • Vendored ViT backbone code (adapted from DINO, Meta AI): Apache-2.0 — full text in LICENSE.apache-2.0.txt; attribution + modification statement in NOTICE.
  • Merged backbone weights derive from DINO (Apache-2.0), CLIP (MIT), and OpenCLIP (MIT code, LAION-based weights). Review the upstream backbone terms — and, for OpenCLIP, the LAION data provenance — before any commercial use.

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
DreamSimModel
Ревизия весов
9ef4e79

0 моделей