/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
transformers
Опубликована
28 июн 2026

InstanceControl_depth

Генерация изображенийТекст → изображение

Sa2va-Instance-4B — VLM для выделения описаний и масок объектов по текстовым запросам и визуальным условиям в конвейере InstanceControl.

0скачиваний за 30 дней0лайковвеса обновлены6 июл 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

Репозиторий содержит контрольную точку Sa2va-Instance-4B — первую стадию InstanceControl, метода управляемой генерации сложных изображений без ручной разметки объектов. Модель на основе vision-language architecture автоматически извлекает описания отдельных объектов из текстового запроса и предсказывает их маски по визуальным условиям, например по карте глубины, границам Canny или HED.

Она предназначена для подготовки структурированных масок объектов для последующей генерации изображений с несколькими управляемыми объектами. В README приведён сценарий запуска оценки предсказания масок; репозиторий проекта содержит инструкции по настройке полного конвейера. Метаданные указывают формат safetensors и лицензию other; сведения о конкретных условиях лицензии в карточке не раскрыты.

Сценарии применения

  • предсказание масок отдельных объектов на изображениях
  • разбор текстового запроса на описания объектов
  • подготовка масок для управляемой генерации изображений
  • выделение объектов по картам глубины и картам границ

Ограничения

Это стадия разбора объектов в более широком конвейере InstanceControl, а не самостоятельная модель генерации изображений. README не приводит количественных оценок качества; конкретные условия лицензии other требуют проверки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

InstanceControl: Sa2va-Instance-4B (Stage 1)

This repository contains the Sa2va-Instance-4B checkpoint, which serves as Stage 1 (Instance Parsing Model) for InstanceControl, presented in the paper InstanceControl: Controllable Complex Image Generation without Instance Labeling.

Model Description

InstanceControl is a multi-instance controllable generation method that eliminates the need for manual instance labeling. It uses a Vision-Language Model (VLM)—specifically this Sa2va-Instance-4B model—to automatically parse instance descriptions from text prompts and predict instance masks based on visual conditions (such as Canny edges, depth, or HED).

Usage

For detailed instructions on setup, environment installation, and running the inference pipeline, please refer to the official GitHub repository.

Predict Instance Masks (Stage 1)

You can run the model to predict instance masks using the following command:

python stage1_Sa2VA/projects/llava_sam2/evaluation/gcg_eval_our_folders.py \
  --model_path /path/to/Sa2va-Instance-4B \
  --image_dir ./example/canny \
  --json_dir ./example/json \
  --save_dir ./results/json_pred_canny

Citation

If you find this project useful, please cite the authors' work:

@article{liu2026instancecontrol,
  title={InstanceControl: Controllable Complex Image Generation without Instance Labeling},
  author={Xiaoyu Liu and Huan Wang and Fan Li and Zhixin Wang and Jiaqi Xu and Ming Liu and Wangmeng Zuo},
  journal={arXiv preprint arXiv:2606.31924},
  year={2026}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Нельзя запустить

Репозиторий содержит только LoRA-адаптер, а базовая модель в карточке не указана.

Ревизия весов
2185533

0 моделей