/ Модель

Характеристики

Лицензия
Своя лицензия
Архитектура
vggt-diff · dense
Базовая модель
Wan2.1-I2V-14B-480P
Библиотека
vggtdiff
Опубликована
15 окт 2026

VGGT-Diff-NVS-480x832-100K-6K

Видео из изображенияИзображение, текст → видео

Модель синтезирует новые ракурсы сцены в разрешении 480 × 832 по шести изображениям с позами камер и целевым ракурсам.

21скачиваний за 30 дней0лайковвеса обновлены15 окт 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

VGGT-Diff NVS 480x832 (100K + 6K) — чекпойнт для синтеза новых ракурсов сцены, разработанный на основе VGGT-Diff и дообученный на базе Wan-AI/Wan2.1-I2V-14B-480P. Модель принимает шесть исходных изображений с известными позами камер и параметры одной или нескольких целевых камер, а затем совместно генерирует соответствующие виды в разрешении 480 × 832. Для геометрической обусловленности используются замороженные признаки VGGT-Omega, а диффузионный DiT полностью дообучен.

Обучение проходило в два этапа на 9 510 сценах DL3DV clean-10K: 100 000 эффективных шагов при разрешении 192 × 336 и ещё 6 000 шагов при 480 × 832. В README приведены результаты оценки на DL3DV и Mip-NeRF 360. Репозиторий содержит веса safetensors; лицензия указана как other, поэтому условия использования следует сверить с лицензией и ссылками проекта. Модель предназначена для синтеза новых видов сцен по многокамерным изображениям, а не для обычной генерации видео по тексту.

Сценарии применения

  • синтез новых ракурсов по нескольким фотографиям сцены
  • построение видов сцены для заданных поз камер
  • генерация нескольких целевых видов из набора исходных изображений
  • оценка качества синтеза ракурсов на сценах DL3DV и Mip-NeRF 360

Ограничения

Для работы нужны шесть изображений с позами камер и параметры целевых камер; обычный текстовый запрос не заменяет эти входные данные. В README не приведены условия лицензии помимо обозначения other.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

VGGT-Diff NVS 480x832 (100K + 6K)

This is the full-resolution independent-view scaling checkpoint obtained by adapting VGGT-Diff's effective-100K half-resolution model for 6,000 additional full-resolution optimizer steps. It takes six posed source images and jointly predicts one or more target views.

Training recipe

The checkpoint was trained in two stages on the DL3DV clean-10K split, with all benchmark-overlapping scenes excluded (9,510 available training scenes):

  1. Full-model fine-tuning for 100,000 effective optimizer steps at 192 x 336.
  2. Initialization from that complete half-resolution checkpoint, followed by 6,000 additional full-model fine-tuning steps at 480 x 832.

Both stages use six input views. For each training sample, the number of supervised target views is sampled independently and uniformly from {4, 8, 12, 16}. The backbone learning rate is held constant at 5e-6, the new-module learning rate at 5e-5, and the training seed is 260408500. Frozen VGGT-Omega features are read from cached bundles, while the VGGT-Diff DiT is fully fine-tuned.

Configuration

  • Resolution: 480 x 832
  • Task: independent-view novel view synthesis
  • Input: six posed source views and one or more target cameras
  • VAE: source and target views are encoded independently
  • Geometry: frozen VGGT-Omega features with camera conditioning
  • Training data: DL3DV clean-10K (9,510 available scenes)
  • Training: full-model fine-tuning
  • Release checkpoint: 100K half-resolution steps + 6K full-resolution steps

Table 1 evaluation

The formal evaluation uses independent 6-to-1 inference at 480 x 832, 50 diffusion steps, seed 20260823, CFG 1.0, a 480 x 480 center metric crop, LPIPS-Alex, DreamSim, and view-weighted aggregation.

BenchmarkTargetsPSNRSSIMLPIPSDreamSim
DL3DV6,18819.28310.56850.19780.0544
Mip-NeRF 36024617.21700.36160.28260.0795

Mip-NeRF 360 is evaluated against the camera-matched FrameCrafter-native ground truth used by the paper protocol. Both rows have zero missing targets.

Usage

Use the nvs architecture mode:

python scripts/infer.py \
  --training-mode nvs \
  --checkpoint /path/to/vggt-diff.safetensors \
  --omega-checkpoint /path/to/vggt_omega_1b_512.pt \
  --height 480 --width 832

VGGT-Omega weights and Wan2.1 base-model files are separate dependencies and are not redistributed in this repository.

Checksum

e0cd8798c6247fca0cb4372b6bc87ba561b74e9a0cad4113d1092cb68823eb49  vggt-diff.safetensors

Links

License

Released under the non-commercial VGGT-Diff Research License. Third-party models and datasets remain subject to their own terms.

Как запустить

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

GPU в ailist

Универсальный рантайм · vggtdiff

Нельзя запустить

Модели «картинка → видео» пока не запускаются.

Ревизия весов
0c3ca0d

0 моделей