К содержимому
Другое

DEM-SR

повышение разрешения карт рельефа в 3 раза

2 мин чтенияобновлено

Набор из двух моделей машинного обучения от автора Ichigo369 для задач геоинформатики и дистанционного зондирования Земли. Они решают задачу суперразрешения (super-resolution): берут цифровую модель рельефа (DEM) с шагом 30 метров из базы NASADEM, добавляют к ней спутниковый RGB-снимок Sentinel-2 и превращают в детализированную карту высот с шагом 10 метров (одна ячейка 30×30 м делится на девять 10×10 м). В репозитории лежат два варианта архитектуры на базе U-Net: детерминированная ResUNet-SR (17,8M параметров) и генеративная RFVelocityUNet (42,8M параметров) на основе Rectified Flow (метода генерации через выпрямленные потоки). В отличие от простой бикубической интерполяции, нейросети предсказывают уточняющие детали рельефа с опорой на реальные оптические снимки местности.

Ключевые особенности

  • Две архитектуры на выбор: лёгкая детерминированная unet_b64 (272 МБ) с функцией потерь L1 + контроль уклона и более тяжёлая rf_b64 (653 МБ) с поддержкой CFG (classifier-free guidance — настройки силы следования условию).
  • Обучение на реальных данных: модели тренировались на 67 462 парных фрагментах размером 240×240 пикселей из 40 регионов Высокогорной Азии (горы, хребты, холмы и равнины).
  • Удобный формат весов: чекпоинты ckpt_best.pt содержат усреднённые веса EMA и словарь параметров args, поэтому архитектура восстанавливается автоматически без жёсткой привязки к коду.

Что можно сделать

  • Детализировать 30-метровые карты высот NASADEM до 10-метрового формата GeoTIFF с сохранением геопривязки (CRS) через скрипт predict_sr.py.
  • Сравнить на своих геоданных классическую регрессию (ResUNet-SR) и генеративный подход Rectified Flow, подбирая параметр guidance и число шагов NFE.
  • Дообучить модели с последнего шага (ckpt_last.pt) под другой регион или тип ландшафта на видеокарте уровня RTX 4060 с 8 ГБ VRAM.

Пример

import torch
from models_sr import ResUNetSR

ckpt = torch.load("unet_b64/ckpt_best.pt", map_location="cpu", weights_only=False)
unet = ResUNetSR(ckpt["args"]["base"])
unet.load_state_dict(ckpt["ema"])
unet.to("cuda").eval()
ПодробнееНа тестовой выборке (256 фрагментов) unet_b64 показала RMSE 4,073 м, MAE 3,033 м и PSNR 41,27 дБ (у бикубической интерполяции — RMSE 7,199 м и PSNR 35,89 дБ), у rf_b64 — RMSE 5,085 м и PSNR 39,45 дБ.
Обучались на одной видеокарте RTX 4060 (8 ГБ) с жёстким лимитом в 7,5 ГБ VRAM.
Ограничения: обучение остановлено до завершения полного бюджета шагов (46k/50k для U-Net и 64k/80k для RF), модели заточены только под Высокогорную Азию (система координат ESRI:102008, высоты EGM96), лицензия на коммерческое использование не предоставлена.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.6 GB · готовые файлы1.2 GB
  • FP8 / INT8рекомендуемвеса 0.3 GB0.9 GB
  • 4-bitвеса 0.2 GB0.7 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.

    # Ichigo369/dem-sr-models
    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 Ichigo369/dem-sr-models --local-dir ~/models/dem-sr-models
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к dem-sr-models
  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.

  • 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 (2)
    • 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.
  • 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 dem-sr-models — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

Ichigo369/dem-sr-models
Автор
Ichigo369
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

Tell v2

Tell v2
Другое

ComfyUI-Hi3D

ComfyUI-Hi3D