К содержимому
Другое

CortexDecoder

реконструкция изображений по данным фМРТ мозга

2 мин чтенияобновлено

CortexDecoder от исследователя teooi (совместно с соавторами статьи) переводит активность зрительной коры головного мозга в полноценные картинки. Замороженный энкодер CortexMAE превращает плоские карты коры (cortical flatmaps) в 200 нейронных токенов, а два специальных модуля-моста (cross-attention bridges) преобразуют их в признаки изображений. Один мост отвечает за низкоуровневые детали через VGG16-BN и Deep Image Prior, а второй — за семантику через OpenCLIP ViT-bigG/14 для генерации в SDXL-unCLIP. Модель пригодится нейробиологам и ML-инженерам, которые работают с декодированием сигналов мозга (fMRI-to-image).

Ключевые особенности

  • Двойная архитектура мостов: семантический clip_bridge (39.3M параметров) выдаёт 256 токенов OpenCLIP ViT-bigG/14 размерности 1664, а низкоуровневый vgg_bridge (43.7M параметров) — 7190 токенов VGG16-BN размерности 512.
  • Работа со зрительной корой: на вход подаются патч-эмбеддинги от замороженного энкодера CortexMAE (200 токенов размерности 768), рассчитанные только по областям зрительной коры.
  • Готовые веса в safetensors: в репозитории лежат очищенные веса обоих мостов, конфигурация config.json и исходные чекпоинты обучения вместе с состоянием оптимизатора.

Что можно сделать

  • Восстанавливать увиденные человеком изображения по записям фМРТ из датасета Natural Scenes Dataset (NSD Subject 1), используя связку мостов с SDXL-unCLIP и Deep Image Prior.
  • Подключать clip_bridge в пайплайны на базе SDXL-unCLIP для кондиционирования генерации по нейробиологическим эмбеддингам.
  • Использовать сохранённые чекпоинты с состоянием оптимизатора для продолжения обучения или адаптации под других испытуемых из NSD.

Пример

from huggingface_hub import hf_hub_download
from safetensors.torch import load_file
from cortexdecoder.core.config import Config
from cortexdecoder.models.bridge import FlatmapSingleHeadBridge

bridge = FlatmapSingleHeadBridge(Config(), brain_dim=768, num_patches=200, target="clip")
bridge.load_state_dict(load_file(hf_hub_download("teooi/cortexdecoder", "clip_bridge.safetensors")))
clip_tokens = bridge(brain_tokens)
ПодробнееОбучено на NSD Subject 1; оценка на 998 тестовых изображениях (по одному сэмплу диффузии на картинку).
Метрики: CLIP — 93.5%, Incep — 94.9%, Alex(2) — 98.1%, Alex(5) — 99.1%, SSIM — 0.413, PixCorr — 0.366.
Для запуска требуется код из репозитория GitHub (папка code/v2) и предварительно сгенерированные токены из CortexMAE.
Обсудить Telegram 1 20

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.5 GB · готовые файлы1.0 GB
  • FP8 / INT8рекомендуемвеса 0.2 GB0.8 GB
  • 4-bitвеса 0.1 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.

    # teooi/cortexdecoder
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    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 teooi/cortexdecoder --local-dir ~/models/cortexdecoder
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к cortexdecoder
  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 cortexdecoder — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

teooi/cortexdecoder
Автор
teooi
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

201

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

Ripple-VLM

Ripple-VLM