/ Модель

Характеристики

Лицензия
MIT
Опубликована
1 авг 2026

tdv

Эмбеддинги изображенийИзображение → embedding

TDV — предобученный на видео метод извлечения визуальных признаков, рассчитанный на задачи плотного предсказания, включая оптический поток, стереоглубину и сегментацию.

0скачиваний за 30 дней2лайкавеса обновлены2 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

TDV — метод и набор предобученных визуальных представлений для видео, разработанный исследователями из University of Illinois Urbana-Champaign и New York University. Модель обучается без разметки на видео Something-Something v2: кодировщик кадров и кодировщик движения учатся предсказывать представление следующего кадра по текущему кадру и RGB-разностям между кадрами. Для обучения используются EMA-учитель, MSE и категориальная кросс-энтропия в стиле DINO.

В репозитории представлены кадрировщики TDV на базе ViT-Base и ViT-Small, а также контрольная модель DINO ViT-Base. Веса предназначены для извлечения визуальных признаков и последующей оценки на задачах плотного предсказания: TDV показывает результаты на уровне DINO и iBOT в семантической сегментации и превосходит их в оценках оптического потока и стереоглубины. Чекпойнты доступны в формате PyTorch; лицензия репозитория — MIT. Описание загрузки указывает, что для ряда сценариев используется только frame encoder, а подробная архитектура и оценка приведены в связанной проектной документации.

Сценарии применения

  • извлечение признаков кадров из видео
  • оценка оптического потока
  • оценка стереоглубины
  • семантическая сегментация изображений
  • исследования самообучаемых визуальных представлений

Ограничения

В README не описан отдельный готовый конвейер для оптического потока, глубины или сегментации: приведены результаты оценки и веса кодировщика кадров, а для полного устройства и настройки оценки дана ссылка на проектную документацию. Предобучение проведено на Something-Something v2, поэтому перенос на другие данные может потребовать отдельной проверки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

TDV: You Don't Need Strong Assumptions — Visual Representation Learning via Temporal Differences

Ninad Daithankar*, Alexi Gladstone*, Yann LeCun, Heng Ji University of Illinois Urbana-Champaign  ·  New York University (*Equal Contribution)

Paper | Project Page | GitHub | HF Paper


Overview

TDV is a self-supervised video representation learning method built on a single causal assumption: the past causes the future. Rather than relying on strong inductive biases like augmentations, masking, or cropping, TDV jointly trains a frame encoder and a motion encoder such that:

current frame representation + encoded motion = next frame representation

The motion encoder processes RGB differences between consecutive frames, conditioned on the current frame representation via cross-attention. Predictions are supervised using MSE loss against an EMA teacher encoder, with DINO-style categorical cross-entropy to prevent representation collapse.

TDV matches DINO and iBOT on dense segmentation tasks while surpassing both on optical flow and stereo depth — tasks that directly reward temporally structured representations.


Checkpoints

All checkpoints are in the checkpoints/ folder. Optimizer states and training metadata have been stripped — these are inference-ready weights.

All models are pretrained on Something-Something v2 (SSv2).

FileModelSizeNotes
checkpoints/tdv-base.pthTDV ViT-Base~1.2 GBTDV frame encoder (our method)
checkpoints/tdv-small.pthTDV ViT-Small~400 MBTDV frame encoder (our method)
checkpoints/dino-base.pthDINO ViT-Base~739 MBDINO baseline (teacher weights)
checkpoints/dino-small.pthDINO ViT-Small~220 MBDINO baseline (teacher weights)
checkpoints/ibot-base.pthiBOT ViT-Base~762 MBiBOT baseline (teacher weights)
checkpoints/ibot-small.pthiBOT ViT-Small~243 MBiBOT baseline (teacher weights)

DINO and iBOT checkpoints are our reproductions trained with online KNN monitoring, used as baselines in the paper.


Usage

Loading TDV

TDV checkpoints are PyTorch Lightning checkpoints with the optimizer states stripped. Load the state_dict directly:

import torch

ckpt = torch.load("checkpoints/tdv-base.ckpt", map_location="cpu")
state_dict = ckpt["state_dict"]

# The frame encoder keys are prefixed with "model.frame_encoder."
# Strip the prefix to load into a standalone ViT:
encoder_state_dict = {
    k.replace("model.frame_encoder.", ""): v
    for k, v in state_dict.items()
    if k.startswith("model.frame_encoder.")
}

For the full architecture and eval setup see github.com/ninaddaithankar/tdv.

Loading DINO / iBOT baselines

import torch

ckpt = torch.load("checkpoints/dino-base.pth", map_location="cpu")
teacher_weights = ckpt["teacher"]  # final model weights
# student weights also available: ckpt["student"]

Results

TDV is evaluated on dense spatial tasks where temporal structure matters most:

  • Optical Flow (MPI-Sintel): Lower EPE than DINO and iBOT baselines
  • Stereo Depth (SceneFlow): Lower bad-pixel rates at 0.5px and 1px thresholds
  • Semantic Segmentation (ADE20K / Cityscapes): Matches DINO and iBOT baselines

See the paper for full tables and ablations.


Citation

@misc{daithankar2026dontneedstrongassumptions,
      title={You Don't Need Strong Assumptions: Visual Representation Learning via Temporal Differences},
      author={Ninad Daithankar and Alexi Gladstone and Yann LeCun and Heng Ji},
      year={2026},
      eprint={2606.15956},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2606.15956},
}

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
900b81f

0 моделей