К содержимому
Изображения

1⃣ MetricStereo

генерация стереопары по одному фото с метрическим базисом

2 мин чтенияобновлено

Модель превращает обычное плоское изображение в полноценную стереопару: по левому кадру и заданному расстоянию между камерами в метрах она напрямую синтезирует правый ракурс. В основе лежит двухвидовой латентный диффузионный U-Net и декодер VAE, переработанные из архитектуры Stable Diffusion 2.1, а релиз подготовлен анонимными авторами для конференции CVPR 2027. В отличие от классических пайплайнов, MetricStereo обходится без предварительной оценки карты глубины (depth estimation), деформации пикселей (warping) и дорисовывания пустот (inpainting). Инструмент пригодится разработчикам 3D-контента, исследователям компьютерного зрения и создателям контента для VR-гарнитур.

Ключевые особенности

  • Прямая генерация без карт глубины: модель формирует второй ракурс напрямую в латентном пространстве с помощью совместного механизма self-attention для обоих видов.
  • Точный учёт геометрии камеры: каждый ракурс дополняется картой лучей Плюккера (Plücker ray map), а заданный в метрах базис (baseline) кодируется в вектор позы и добавляется к эмбеддингу шага диффузии.
  • Согласованность ракурсов: используется синхронизированная нормализация SyncVN и модифицированный декодер SD-2 VAE с лёгкой LoRA и кросс-видовым блоком внимания, чтобы левый и правый кадры не расходились по деталям.
  • Быстрый инференс: для генерации хватает 25 шагов сэмплера DPM-Solver++(2M) с косинусным CFG (от 3 до 1) и автокастом в bf16.

Что можно сделать

  • Конвертировать 2D-фото в стерео: задать стандартное межзрачковое расстояние (например, 0.065 м) и получить готовый правый кадр для просмотра на VR-шлемах или 3D-дисплеях.
  • Тестировать алгоритмы стереозрения: генерировать синтетические стереопары с контролируемым базисом для оценки моделей диспаратности (например, FoundationStereo) и 3D-реконструкции.
  • Проводить воспроизводимые бенчмарки: использовать встроенные в репозиторий скрипты для прогона и сравнения метрик на 9 стандартных датасетах вроде KITTI, Middlebury и NYUv2.

Пример

from metricstereo.pipeline import MetricStereo, read_rgb
from PIL import Image

model = MetricStereo()
right = model.generate(read_rgb("left.png"), baseline_m=0.065, seed=0)
Image.fromarray(right).save("right.png")
ПодробнееМетрики (фиксированный базис): на Booster точность глубины δ1 достигает 0.9684 (AbsRel 0.0413, LPIPS 0.3097), на KITTI — δ1 0.9617 (AbsRel 0.0571), на NYUv2 — δ1 0.9642 (AbsRel 0.0582).
Формат и ограничения: фиксированное разрешение выхода 768 × 768 пикселей и угол обзора (FoV) 54°.
Веса и зависимости: файл metricstereo.safetensors занимает 3.8 ГБ; при первом запуске через open_clip дополнительно скачивается энкодер CLIP ViT-H/14 (laion2b_s32b_b79k).
Лицензия: CreativeML Open RAIL++-M (унаследована от Stable Diffusion 2.1).
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 3.6 GB · готовые файлы5.4 GB
  • FP8 / INT8рекомендуемвеса 1.8 GB3.5 GB
  • 4-bitвеса 1.0 GB2.6 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # cvprsubmission/metricstereo-model
    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 cvprsubmission/metricstereo-model --local-dir ~/models/metricstereo-model
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к metricstereo-model
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • SageAttention 3v2.2.0от 28 октября 2025

    ещё быстрее на RTX 50 / Blackwell

    FP4-внимание для Blackwell. Быстрее SageAttention 2, но авторы советуют 2-ю версию, когда важна точность.

    Как включить: Сборка из папки sageattention3_blackwell репозитория; в ComfyUI — через KJNodes.

    Предыдущие поколения (2)
    • SageAttention 2++ — Квантованное (INT8/FP8) внимание без заметной потери качества. Главное ускорение для генерации картинок и видео.
    • SageAttention 1 — Первая версия: INT8 для Q·K. Работает и на старых сборках, но 2++ быстрее и точнее.
  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (3)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
    • xFormers — Старый способ ускорить внимание, работает почти везде. Если есть Sage или Flash — они быстрее.
  • cache-dit (DBCache)v1.5.6от 20 ноября 2026новая версия

    1.5–3× при почти том же качестве

    Переиспользует результаты блоков между шагами диффузии. Поддерживает большинство DiT-моделей.

    Как включить: pip install cache-dit; одна строка cache_dit.enable_cache(pipe) для diffusers.

    Предыдущие поколения (2)
    • MagCache — Пропускает шаги по величине изменений. Точнее TeaCache без калибровки.
    • TeaCache — Первый массовый кэш шагов диффузии. Работает, но новые методы точнее.
  • Nunchaku (SVDQuant 4-bit)v1.2.1от 25 января 2026

    ≈3× быстрее и в 3.5× меньше памяти

    4-битные версии популярных моделей картинок почти без потери качества (FP4 на RTX 50).

    Как включить: Есть готовые веса для поддерживаемых моделей; в ComfyUI — ComfyUI-nunchaku.

  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии metricstereo-model — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

cvprsubmission/metricstereo-model
Автор
cvprsubmission
Категория
Изображения
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии