Skip to content
Other

Warped-Cartesian omni-foveation DINOv3-S+

фовеальный визуальный энкодер

2 min readupdated

Модель представляет собой визуальный энкодер и классификатор для ImageNet-1k, который имитирует фовеальное (периферийное и центральное) зрение человека вместо равномерного сканирования картинки. Она создана на базе facebook/dinov3-vits16plus-pretrain-lvd1689m (DINOv3 ViT-S/16+) авторами библиотеки FOVI с помощью LoRA (небольшой обучаемой надстройки над базовой моделью). На вход модель принимает изображения, координаты точек фиксации взгляда и индекс силы фовеации, а на выходе возвращает логиты для 1000 классов, 384-мерные эмбеддинги и ретинальные проекции. В отличие от обычных Vision Transformer, один и тот же чекпоинт здесь адаптирован сразу под семь уровней детализации взгляда и использует искажённую декартову сетку сетчатки (Warped-Cartesian). Пригодится исследователям компьютерного зрения и биоинспирированных систем восприятия.

Ключевые особенности

  • 7 уровней фовеации в одном чекпоинте: поддерживает фиксированный набор значений cmf_a от 0.001 (сильное сжатие периферии) до 1000 (почти равномерная сетка).
  • Компактный бюджет сетчатки: работает с 16 384 сэмплами (номинальное разрешение 128) и 64 пространственными патч-токенами с размером патча 16 и нативным кортикальным RoPE.
  • Эффективная адаптация: поверх DINOv3-S+ обучена LoRA (rank 64, alpha 64) на эмбеддингах патчей и блоках трансформера 0–5, а также финальная нормализация и голова классификации.
  • Автономный пакет веса: архив уже включает базовый бэкбон, LoRA-параметры и проекторы, поэтому при загрузке не нужно скачивать закрытые веса базовой модели отдельно.

Что можно сделать

  • Извлекать визуальные признаки с разной детализацией: получать 384-мерные эмбеддинги изображений при заданных точках фиксации взгляда для экспериментов с активным зрением.
  • Сравнивать точность распознавания при серии фиксаций: исследовать, как накопление от 1 до 20 взглядов на разные участки кадра повышает качество классификации на ImageNet-1k.
  • Использовать как визуальный бэкбон в пайплайнах FOVI: интегрировать энкодер в собственные модели управления взглядом или робототехнические рецепты (чекпоинт использовался в рецептах CoRL-v5).

Пример

from pathlib import Path
import torch
from huggingface_hub import snapshot_download
from fovi.models import get_model_from_base_fn

folder = Path(snapshot_download("fovi-pytorch/fovi-dinov3-splus_omni-warped-cartesian_res-128_in1k"))
model = get_model_from_base_fn(str(folder), device="cuda", load_strict=True,
    **{"pretrained_model.path": str(folder / "backbone"), "pretrained_model.load_weights": False}).eval()
ПодробнееНа полной валидации ImageNet-1k (50 000 изображений) общий Top-1 составляет 69.088% при 1 фиксации и вырастает до 75.918% при 20 фиксациях (Top-5 — 88.592% и 92.886% соответственно).
При слабой фовеации (cmf_a = 100) точность Top-1 достигает 75.99% за 1 взгляд и 79.77% за 20 взглядов, при экстремальной (cmf_a = 0.001) — 53.60% и 67.86%.
Для запуска требуется библиотека fovi[models]==2.6.0 и GPU (CUDA); пакет использует собственный загрузчик FOVI и не совместим с transformers.AutoModel.
Ограничения: модель не является RL-политикой выбора взгляда, поддерживает только 7 заданных уровней CMF и обучена на планарной, а не сферической проекции.
Discuss Telegram 0 17

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 0.1 GB · ready files0.6 GB
  • FP8 / INT8recommendedweights 0.1 GB0.6 GB
  • 4-bitweights 0.0 GB0.5 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · BF16 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # fovi-pytorch/fovi-dinov3-splus_omni-warped-cartesian_res-128_in1k
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download fovi-pytorch/fovi-dinov3-splus_omni-warped-cartesian_res-128_in1k --local-dir ~/models/fovi-dinov3-splus_omni-warped-cartesian_res-128_in1k
    # The model is in ~/models. How to run it is in the model card (link above).
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

  1. dinov3-vit7b16-pretrain-lvd1689mfamily root
  2. dinov3-vits16plus-pretrain-lvd1689m
  3. fovi-dinov3-splus_omni-warped-cartesian_res-128_in1k

New posts about versions of dinov3-vit7b16-pretrain-lvd1689m (quants, finetunes, LoRAs) will show up under the bell.

Quantised versions 1All on Hugging Face
Fine-tunes 12All on Hugging Face
LoRAs and adapters 6All on Hugging Face

About the model

fovi-pytorch/fovi-dinov3-splus_omni-warped-cartesian_res-128_in1k
Author
fovi-pytorch
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

170

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments