/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
vqmodel · dense
Библиотека
transformers
Опубликована
13 окт 2025

ldm-vq-f16-rgba

Эмбеддинги изображенийИзображение → embedding3 профессии

VQ-токенизатор CyberAgent кодирует RGBA-изображения в дискретные латентные коды для последующих задач, например дополнения графического дизайна.

225скачиваний за 30 дней0лайковвеса обновлены13 окт 2025

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

cyberagent/ldm-vq-f16-rgba — специализированный VQ-токенизатор изображений RGBA от CyberAgent. Он преобразует изображения с альфа-каналом в дискретные латентные коды и восстанавливает их; такие коды можно использовать в последующих задачах, включая дополнение графического дизайна. Модель основана на токенизаторе изображений из Latent Diffusion Model, изменённом для работы с четырьмя входными и выходными каналами вместо трёх.

Модель предназначена для сценариев, где требуется компактное дискретное представление RGBA-графики для дальнейшей обработки. Репозиторий содержит веса Safetensors и использует библиотеку Transformers. Лицензия — Apache-2.0. Описание не приводит конкретные показатели сжатия или качества восстановления.

Сценарии применения

  • кодирование RGBA-графики в дискретные токены
  • подготовка представлений RGBA-изображений для генеративных моделей
  • дополнение элементов графического дизайна
  • восстановление RGBA-изображений из латентных кодов

Ограничения

Модель специализирована для RGBA-изображений; в README не приведены показатели сжатия и качества восстановления.

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

Image Tokenizer (VQ Model) for RGBA Images

arxiv paper

teaser

This repository provides a specialized image tokenizer (VQ model) for RGBA images. The model can effectively compress RGBA images into discrete latent codes, which can be used for various downstream tasks such as graphic design completion, as demonstrated in our paper Multimodal Markup Document Models for Graphic Design Completion.

Model Details

The model is based on the image tokenizer from the latent diffusion model. We modified the original model (models/first_stage_models/vq-f16) to handle RGBA images by changing the input and output channels from 3 to 4. See our paper for more details.

Requirements

cat <<EOF > requirements.txt
transformers>=4.42.4
omegaconf>=2.3.0
einops>=0.8.0
pillow>=10.4.0
pytorch_lightning<2.0.0
huggingface-hub>=0.24.0
git+https://github.com/ktrk115/latent-diffusion.git@23d5a49
git+https://github.com/illeatmyhat/taming-transformers.git@aeabaa3
EOF
pip install -r requirements.txt

Usage

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

image_processor = AutoImageProcessor.from_pretrained("cyberagent/ldm-vq-f16-rgba", trust_remote_code=True)
model = AutoModel.from_pretrained("cyberagent/ldm-vq-f16-rgba", trust_remote_code=True)

# Image reconstruction
img = Image.open("path/to/image.png")
example = image_processor(img)
with torch.inference_mode():
    recon, _ = model.model(example["image"].unsqueeze(0))
recon_img = image_processor.postprocess(recon[0])
recon_img.save("recon.png")

License

This repository is released under the Apache-2.0 license.

Citation

@inproceedings{Kikuchi2025,
  title     = {Multimodal Markup Document Models for Graphic Design Completion},
  author    = {Kotaro Kikuchi and Ukyo Honda and Naoto Inoue and Mayu Otani and Edgar Simo-Serra and Kota Yamaguchi},
  booktitle = {ACM International Conference on Multimedia},
  year      = {2025},
  doi       = {10.1145/3746027.3755420}
}

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
VQModel
Ревизия весов
4827d87

0 моделей