Открытый код ФКН ВШЭ

Привет! Приглашаем подать заявку на премию «Герои нового энтерпрайза 2026» от «Компьютерры» В этом году Мос.Хаб второй раз запустил свою номинацию "Мос.Хаб: Открытый код года". Подать можно любые проекты, в том числе на зарубежных репозиториях. Финалистов и победителей определит экспертный совет, в который войдут руководители технологических компаний, отраслевые специалисты, инвесторы, заказчики и представители профессионального сообщества. Прием заявок до 5 ноября. Подача заявок по ссылке: https://forms.yandex.ru/u/6a0ab5fe84227c74474ed6f4/ Подробнее о премии

wasserstein-parameter-recovery В репозитории опубликован код метода восстановления параметров калибровки детекторов по изменениям распределения измерений. Авторы рассматривают ситуации, когда механическое смещение датчиков или старение оборудования искажают показания, но истинные параметры этих изменений неизвестны. Для обучения используются две выборки, полученные при нормальном и изменённом состоянии детектора, без разметки параметров деградации и без соответствий между отдельными событиями. Ключевая идея работы — использовать схему Wasserstein GAN для подбора физически осмысленных поправок. Генератор преобразует существующие измерения, причём его обучаемые параметры непосредственно задают смещения координат или коэффициенты ослабления сигнала. Нейросеть-критик оценивает различие между распределениями исправленных и эталонных данных, а параметры преобразования обновляются так, чтобы уменьшить это различие. В результате обучение возвращает сами калибровочные коэффициенты, которые можно применять к показаниям детектора. Подход проверяется на упрощённой модели трекового детектора с тремя измерительными плоскостями и на данных калориметра, смоделированных в Geant4. В первом случае восстанавливается смещение одной плоскости, во втором — отдельный коэффициент старения для каждой ячейки. В эксперименте с калориметром средняя RMSE восстановления коэффициентов составляет 0,0176 против 0,0562 у простого метода, оценивающего старение по отношению средних сигналов каждой ячейки. После применения поправок распределение суммарной энергии приближается к эталонному во всём рассмотренном диапазоне. Работа будет полезна исследователям машинного обучения в физике высоких энергий. статья | код

Митап скоро начнется, кто собирался приехать - пора выдвигаться) А трансляция для удаленных участников будет тут - https://vk.ru/live-173944682_456239043 Из онлайна вопросы докладчикам можно задавать в чате, потом ответят. Начнем трансляцию ровно в 18-00 (но подходите пораньше, чтобы успеть разместиться).

auto_micro В репозитории auto_micro опубликованы код и документация системы для автоматизации микроскопической съёмки. Авторы предлагают дооснастить микроскопы серии Levenhuk MED контроллером Arduino UNO R3 и шаговыми двигателями NEMA 17, сохранив штатную оптику. Установка управляет фокусировкой, увеличением и освещением по заданной программе, уменьшая зависимость условий съёмки от ручной настройки. С её помощью собран набор из 100 тысяч изображений микрококков, диплококков, стрептококков, палочковидных бактерий и фона с разметкой для классификации, обнаружения объектов и сегментации. Изображения получены на пяти микроскопах при разных увеличениях, освещении и способах окрашивания препаратов. В выборке сохранены расфокусировка, шум и артефакты подготовки образцов, характерные для лабораторной съёмки. Для анализа таких изображений авторы разработали Microscopy-Aware Attention (MAA) — механизм внимания, учитывающий особенности микроскопии. Он дополняет обычное самовнимание шестью поправками, связанными с границами клеток, резкостью, контрастом внутренних структур, пространственной компактностью, формой и локальной плотностью. Вклад каждой поправки настраивается во время обучения. Модуль проверен на шести архитектурах классификации, шести архитектурах обнаружения объектов и пяти архитектурах сегментации. В экспериментах он превосходит варианты без дополнительного внимания и с универсальными модулями SE, пространственного внимания и CBAM. Добавление MAA к DINOv3 повышает взвешенный F1 с 0,947 до 0,975, а к InternImage-H — mAP50 с 0,901 до 0,928. Для SegMAN показатель mIoU увеличивается с 0,834 до 0,862. Проверка отдельных компонентов показывает, что для классификации особенно важны признаки формы, для обнаружения объектов — плотность и границы, а для сегментации — границы и компактность. Пока результаты получены на собственном наборе данных, а перенос на независимые лаборатории и оборудование других производителей требует дополнительной проверки. Работа будет полезна исследователям компьютерного зрения для микроскопии, разработчикам лабораторной автоматизации и командам, которые собирают размеченные изображения микроорганизмов. статья | код

Анонс: Осенний Scientific Open Source Meetup этого года - в октябре! С радостью приглашаем всех на наш очередной Scientific Open Source Meetup, который пройдет 29 октября 2026 года с 17:30 до 21:30 в Санкт-Петербурге в уютном лофте на Газовой, 10ж. Это отличная возможность встретиться, обсудить актуальные темы и поделиться опытом в мире открытого программного обеспечения! В программе: Десять агентов, один файл: где исследовательские среды хранят состояние // Сергей Геворкян, менеджер продукта Cloud Ru Что происходит с хранилищем, когда десятки агентов одновременно записывают ход исследований? Разбор кода OpenResearch, OpenScience и OpenHuman с замерами при росте числа агентов. Петля должна быть разорвана // Олег Чирухин, GitVerse Как заставить агента работать днями и неделями с первого промпта, почти без участия человека? Автор представит свой опенсорсный инструмент и приёмы для автономной разработки. Китайский опенсорсный ИИ-агент openJiuwen // OpenScaler Запуск официального представительства проекта openEuler в СНГ // Дмитрий Варенов, Технический лидер сообщества openEuler/OpenScaler От локализованного форка OpenScaler к прямому развитию openEuler в России и СНГ. Расскажем о планах и мероприятиях, а также о том, как внести вклад в проект и попасть на стажировку. PAUK: инструмент для картографирования экосистем открытого кода // Андрей Гетманов, аспирант ИТМО Как связать исследователей, статьи и репозитории в единый граф? PAUK помогает находить научные группы по темам исследований и выяснять, чьи разработки переиспользуют коллеги. Опенсорс, агенты и студенты — опыт ФТИИ ИТМО // Юлия Борисова, к.т.н., руководитель учебно-научной лаборатории АИСТ, ИТМО Есть ли работа для начинающего программиста-исследователя в эпоху агентов? Поговорим о том, как студентам войти в профессию и какие навыки нужны для разработки и исследований в области ИИ. UniversalToolchain // Михаил Резаков, ФКН ВШЭ Презентация проекта - победителя конкурса студенческих опенсорс-проектов ФКН ВШЭ. Мероприятие проходит при поддержке Gitverse, Cloud.Ru и OpenScaler. Дата: 29 октября 2026 года Время: 17:30 до 21:30 Место: Лофт на Газовой, 10ж, СПб.  Участие бесплатное, но количество очных мест ограничено! Трансляция - будет. Ссылка на регистрацию - https://openmeetup.ru/ Ждем вас на митапе!

AuPt_uspex В репозитории AuPt_uspex опубликованы код и данные исследования платиново-золотых нанокластеров для низкотемпературного окисления угарного газа. Авторы изучают, как состав частиц, расположение атомов и взаимодействие с графеновой подложкой влияют на их каталитические свойства. С помощью эволюционного алгоритма USPEX они находят устойчивые структуры кластеров размером до 24 атомов и рассчитывают энергии связывания атомарного кислорода и CO на различных участках поверхности. Около 12 тысяч расчётов методом теории функционала плотности дополняются более чем 80 тысячами оценок на основе MACE для других низкоэнергетических структур. Предобученная модель используется для оптимизации геометрии, а отдельно дообученная версия предсказывает энергию полученных конфигураций. Анализ показывает, что силу связывания прежде всего определяют состав и ближайшее атомное окружение активного центра. В рассмотренных системах набор близких по энергии структур даёт практически ту же информацию об адсорбции, что и наиболее устойчивая конфигурация. Это позволяет проводить предварительный отбор катализаторов без исчерпывающего поиска единственной структуры с минимальной энергией. Отдельно авторы исследуют кластер Pt₇Au₇ на графене с моновакансией — дефектом, возникающим при отсутствии одного атома углерода. Такой дефект прочно закрепляет кластер и перераспределяет электронную плотность, делая отдельные участки с атомами золота активными участниками реакции. Средний рассчитанный барьер окисления CO снижается с 1,34 до 1,03 эВ по сравнению с бездефектной подложкой. При этом эффект зависит от конкретного расположения реагентов и не означает одинакового повышения активности всех атомов золота. Моделирование молекулярной динамики также показывает перестройку кластеров при насыщении CO, включая выход атомов платины на поверхность и изменение заполнения активных центров под влиянием подложки. Вместе со структурами нанокластеров опубликованы обучающие данные, межатомные потенциалы и скрипты Python для подготовки конфигураций на графене. Работа будет полезна исследователям вычислительного материаловедения, разработчикам межатомных потенциалов и специалистам по поиску биметаллических катализаторов. статья | код

💻 Презентация открытых проектов ФКН Рады сообщить, что 1 октября мы подводим итоги второго конкурса открытых проектов для студентов ФКН! В ходе мероприятия: ⚪️ презентация проектов ⚪️ подведение итогов конкурса ⚪️ награждение победителей Приходите узнать про открытые проекты студентов и сотрудников ФКН, поддержать финалистов, найти вдохновение для собственных проектов и погрузиться в мир open-source! 📆 Когда: 1 октября, 18:00 🗺️ Где: Покровский бульвар 11, R308 Ждем всех на церемонии награждения! @hse_cs_opensource

RL-ABC В репозитории опубликован код RL-ABC — библиотеки на Python для настройки каналов транспортировки пучка в ускорителях частиц с помощью обучения с подкреплением. Авторы рассматривают задачу подбора параметров магнитов, при которых до конца канала доходит как можно больше частиц. Применение обучения с подкреплением к такой задаче обычно требует отдельной разработки среды для каждой конфигурации ускорителя. RL-ABC автоматизирует эту подготовку, преобразуя поддерживаемые конфигурации симулятора Elegant в среды с интерфейсом Gymnasium. Система добавляет диагностические точки перед настраиваемыми элементами и формирует наблюдения из 57 признаков, описывающих состояние пучка и геометрические ограничения канала. Агент последовательно меняет параметры магнитов, а симулятор пересчитывает движение частиц и возвращает наблюдение и награду, зависящую от потерь пучка. Предусмотрено и поэтапное обучение, при котором сначала настраивается короткий участок канала или ограниченный набор параметров, а затем задача постепенно усложняется. В экспериментах используется упрощённая модель канала транспортировки позитронов комплекса ВЭПП-5 с 11 квадрупольными и четырьмя дипольными магнитами. При подборе только фокусирующих параметров квадруполей агент DDPG находит конфигурации, обеспечивающие в среднем 69,8% прохождения частиц по трём независимым запускам. При настройке всех 37 параметров средний результат составляет около 66%. Короткое предварительное обучение на ограниченном наборе параметров ускоряет начальную адаптацию, но практически не меняет итоговое качество найденных конфигураций. Работа будет полезна специалистам по физике ускорителей, которым нужна готовая среда для экспериментов с автоматической настройкой, и исследователям обучения с подкреплением, изучающим управление системами с непрерывными действиями и нелинейной динамикой. статья | код

DRAGON В репозитории опубликован код DRAGOn — методологии и фреймворка для построения RAG-бенчмарков на регулярно обновляемом корпусе. Авторы обращают внимание на проблему статических наборов данных для оценки RAG-систем. Если тестовый корпус долго не меняется, в него постепенно проникает data leakage, а результаты начинают отражать не только качество retrieval и generation, но и то, что модель уже видела похожие тексты при обучении. DRAGOn предлагает более практичную постановку, где бенчмарк живёт вместе с источником данных и регулярно пересобирается на новых документах. В работе это показано на русскоязычном новостном корпусе, но сама схема может быть перенесена и на другие домены, например научные статьи или юридические документы. Ключевая идея DRAGOn состоит в том, чтобы автоматизировать весь цикл оценки. Система регулярно собирает новые тексты, строит по ним граф знаний, генерирует вопросы и ответы с помощью LLM, фильтрует неудачные примеры и публикует новые версии датасета. В итоговый набор входят отдельные коллекции документов, вопросов и скрытых ответов, что позволяет воспроизводимо сравнивать разные RAG-системы на одинаковом материале. Для фильтрации авторы используют несколько этапов проверки, включая контроль грамматичности, проверку соответствия графу знаний и LLM-as-Judge оценку на модели POLLUX 7B. Автоматическая оценка показывает высокую точность по сравнению с ручной проверкой, а после всех этапов отбора в каждую категорию попадает по 150 качественных вопросов. Авторы также запускают открытый leaderboard и показывают, как DRAGOn работает в полноценной экспериментальной схеме. Для retrieval сравниваются FRIDA, Qwen 3Embedding 8B, E5 Mistral 7B Instruct и mE5Large Instruct. Лучшие результаты по Hit Rate и MRR дают Qwen 3Embedding 8B и E5 Mistral 7B Instruct. В end-to-end оценке особенно хорошо себя показывает связка сильного retrieval с instruction LLM, а среди рассмотренных генераторов лучший Judge Score получает Ruadapt Qwen 32B. Отдельно работа показывает, что классические метрики вроде ROUGE-L не всегда достаточно хорошо отражают качество RAG, поэтому оценка по нескольким критериям через LLM-as-Judge здесь оказывается особенно полезной. Работа будет полезна исследователям RAG и разработчикам retrieval-систем. статья | код

DSCA-HLAII В репозитории опубликован код DSCA-HLAII — модели для предсказания взаимодействия пептидов с молекулами HLA класса II и вероятности их представления иммунной системе. Авторы рассматривают задачу, важную для анализа иммунного ответа, разработки пептидных препаратов и оценки иммуногенности антител. Существующие методы часто используют сокращённые псевдопоследовательности HLA-II и вручную заданные признаки, из-за чего теряется часть контекстной информации и ухудшается перенос на ранее не встречавшиеся аллели. В DSCA-HLAII полные последовательности пептидов и цепей HLA-II описываются сразу двумя типами признаков. ONE-HOT сохраняет информацию на уровне отдельных аминокислот, а представления ESMC добавляют семантические, структурные и функциональные свойства последовательностей. Для моделирования их взаимодействия авторы предлагают модуль DSCA с двумя потоками внимания. Он отдельно обрабатывает пептид и HLA-II, объединяет глобальные и локальные признаки и позволяет выделять позиции, наиболее важные для связывания. В экспериментах модель сравнивается с NetMHCIIpan-4.3, CapHLA, TripHLApan, Graph-pMHC и MixMHCIIPred. На тесте с известными аллелями DSCA-HLAII достигает AUROC 0.988 и AUPR 0.963, а на тесте с полностью новыми аллелями сохраняет AUROC 0.963 и AUPR 0.894, показывая лучший результат среди рассмотренных методов. Дополнительно модель предсказывает положение девятиаминокислотного binding core и выделяет ключевые остатки, участвующие во взаимодействии с HLA-II. Авторы также используют DSCA-HLAII для оценки иммуногенности антител, где метод превосходит Sapiens, Graph-pMHC и NetMHCIIpan на клиническом наборе данных. Работа будет полезна исследователям вычислительной иммунологии, биоинформатики и разработки терапевтических белков, которым важно не только предсказывать взаимодействие пептида с HLA-II, но и понимать, какие участки последовательности определяют это взаимодействие. статья | код

Открытый семинар: «Образование после ChatGPT: опенсорс-курс на Физтехе и план развития на 2026–2028» В среду, 16 сентября, в 15:30 состоится совместный семинар Учебно-научного центра гуманитарных и социальных наук и Центра научного программирования МФТИ. Докладчик — Антон Костин, доцент УНЦ ГСН МФТИ, автор опенсорс-курса «Анализ данных в научной литературе». О чём поговорим: - почему нейросети обесценили домашние задания и как превратить курс в настоящий опенсорс-проект; - что показал первый запуск: слушатели пишут код, размечают датасеты и чинят формы вместе с преподавателем; - четыре курса 2026/27 на Физтехе, ИИ-сокурсник botai и стандарт качества курсов OCA, Open-Course Advisor, OSA для образования; - планы развития опенсорс-образования на Физтехе и за его пределами — и что нужно проекту от научного сообщества и индустриальных партнеров. Участие свободное, офлайн и онлайн. Дата: среда 16 сентября Время: 15:30 - 18:30 Место: МФТИ, поточная ауд. Арктики Трансляция: доступна по ссылке До встречи на семинаре!

HairFastGAN В репозитории опубликован код HairFastGAN — метода для быстрого и реалистичного переноса причёски между фотографиями лица. Авторы работают с задачей виртуальной примерки волос, где нужно перенести форму, структуру и цвет причёски с референсов на исходное изображение, сохранив лицо, позу и фон. Ранние методы на оптимизации обычно дают хорошее качество, но работают слишком медленно для интерактивного сценария. Более быстрые энкодерные подходы часто теряют реализм, хуже сохраняют идентичность и особенно страдают, когда позы на исходной фотографии и референсе сильно отличаются. HairFastGAN решает эту задачу через полностью энкодерныый пайплайн без долгой оптимизации на этапе инференса. В экспериментах на CelebA-HQ метод сравнивается с HairCLIP, HairCLIPv2, CtrlHair, StyleYourHair и Barbershop. HairFastGAN показывает лучшие значения FID, FIDCLIP, LPIPS и PSNR в ключевых сценариях переноса, при этом работает менее чем за секунду на Nvidia V100. По сравнению с Barbershop ускорение достигает сотен раз, а качество остаётся на уровне или выше оптимизационных методов. Работа будет полезна исследователям генеративного редактирования изображений и разработчикам вирутальных примерочных. статья | код

GSOFT В репозитории опубликован код GSOFT — метода экономного файнтюнинга нейросетей через структурированные ортогональные матрицы. Авторы работают с ограничением существующих подходов вроде OFT и BOFT. Ортогональные преобразования помогают аккуратно адаптировать веса предобученной модели, но простая блочно-диагональная структура OFT слишком ограничивает взаимодействие признаков, а butterfly-параметризация BOFT требует произведения нескольких матриц и даёт лишние вычислительные накладные расходы. GSOFT строится на новом классе Group-and-Shuffle матриц. Такая матрица сначала применяет независимые линейные преобразования внутри небольших групп, затем перемешивает признаки между группами и снова применяет групповые преобразования. За счёт этого можно получать плотные ортогональные матрицы с меньшим числом множителей и обучаемых параметров. На GLUE с RoBERTa-base GSOFT превосходит OFT и BOFT и немного обходит LoRA по среднему результату при сопоставимом числе параметров. Работа будет полезна исследователям parameter-efficient fine-tuning, генеративных моделей, ортогональных параметризаций и архитектур, где важно уменьшать число обучаемых параметров без заметной потери выразительности. статья | код

manga-colorization В репозитории опубликован код manga-colorization — метода для полуавтоматической раскраски манги с помощью условных состязательных сетей. Система получает чёрно-белую страницу манги и редкие цветовые подсказки от пользователя, после чего строит цветную версию изображения. Подсказки позволяют отдельно править раскраску каждой панели, поэтому метод остаётся не просто автоматическим фильтром, а инструментом для управляемой работы с изображением. Для обучения авторы собирают набор вручную раскрашенных и чёрно-белых изображений манги. В работе также показано, что результат можно улучшить дообучением на небольшом числе чёрно-белых страниц нового стиля. Код будет полезен исследователям компьютерного зрения, генеративных моделей и интерактивной обработки изображений. статья | код

Горячий анонс "для своих" 🚀 15–16 августа в пространстве Сбер.Среда в баре "Оригинал" пройдут выходные, которые зарядят энергией надолго — Сбер.Среда Weekend: IT фестиваль для российского технологического комьюнити. ⚡️ Выступят спикеры из Сбера, Т-Банка, ВШЭ и др. В программе будет представлен доклад «Что корпоративному open source стоит знать о научном коде?» от Михаила Гущина, ведущего научного сотрудника НИУ ВШЭ А вообще вас ждут три уникальные зоны: 🔥 human.env — честные, смешные и местами беспощадные стендапы и рассказы про работу. 🔥 growth.env — воркшопы и дискуссии от IT‑сообществ Сбера. С тебя — вопрос, с команды — ответ. 🔥 party.env — DIY, танцы и большая финальная вечеринка. За музыку отвечают хедлайнеры фестиваля: ЛАУД, тима ищет свет и DJ SALAMÉ — артисты, которые задают звучание современной электронной сцены и превратят вечер в настоящий open air. 💻 Регистрация по этой ссылке Обращаем внимание – количество очных мест ограничено, поэтому торопитесь зарегистрироваться.

c-pic В репозитории опубликован код C-PIC — метода для обучения низкоранговых представлений визуальных данных с помощью дифференцируемых кросс-аппроксимаций. Авторы рассматривают задачу работы с очень большими многомерными тензорами, где обычные CNN быстро упираются в память, особенно на 3D-данных вроде томографии, MRI и других объёмных сканов. Ключевая идея работы состоит в том, чтобы не обрабатывать весь входной тензор целиком, а смотреть только на небольшую часть его значений и при этом всё равно строить полезное компактное представление для последующего предсказания В экспериментах на двух задачах медицинского анализа C-PIC показывает качество на уровне SoTA методов, а при этом способен работать на существенно более высоком разрешении. Авторы отдельно отмечают, что с теми же гиперпараметрами их подход справляется с удвоенным разрешением, где другие сильные методы уже не проходят из-за ограничений по памяти. Работа будет полезна исследователям компьютерного зрения и медицинских изображений. статья | код

cosmos В репозитории опубликован код COSMOS — метод диффузионной генерации текста в сжатом и гладком латентном пространстве, представленный на конференции NeurIPS в 2025 году. Авторы переносят идею latent diffusion из генерации изображений в текст, где прямое моделирование токенов остаётся дорогим из-за высокой размерности и длины последовательностей. COSMOS сначала кодирует текст замороженным BERT, затем сжимает полученные представления через лёгкий compressor и обучает diffusion model уже в этом компактном пространстве. Важная часть работы не только в самом сжатии, а в том, как это пространство делается пригодным для диффузии. Автоэнкодер обучается одновременно на восстановление токенов, приближение к исходным BERT-представлениям, устойчивость к шуму, маскированию активаций и частичному занулению признаков внутри latent vectors. Такая схема делает пространство более гладким и уменьшает разрыв между тем, какие представления модель видит при обучении, и тем, какие появляются во время генерации. В экспериментах авторы показывают, что текст можно сжимать до 8 раз без заметной потери качества относительно token-level diffusion, а при умеренном сжатии COSMOS превосходит ряд diffusion-based и autoregressive baselines. Метод проверяется на ROCStories, XSum, ParaDetox и SQuAD2.0, а также на OpenWebText для более длинной генерации. На ROCStories версия COSMOS с большим числом latent vectors достигает MAUVE 0.940 при 0.953 у исходных текстов и заметно обходит GPT-2 по этой метрике. Для длинных последовательностей подход даёт особенно сильный выигрыш по скорости, так как диффузия работает с фиксированным числом шагов и не генерирует текст строго токен за токеном. Работа будет полезна исследователям генерации текста, text diffusion, latent diffusion и всем, кто изучает альтернативы авторегрессионным языковым моделям для быстрой и управляемой генерации. статья | код

smoothie В репозитории опубликован код Smoothie — метода диффузионной генерации текста, который учитывает и дискретную природу языка, и смысловую близость между токенами. Авторы работают с одной из главных проблем текстовых диффузионных моделей, где обычная гауссовская диффузия в пространстве представлений хорошо сохраняет семантическую геометрию, но потом требует отдельного перехода обратно к токенам, а методы в пространстве словарного симплекса проще декодируются, но почти не используют сходство между словами. Smoothie предлагает промежуточную постановку. Каждый токен описывается не самим embedding, а вектором расстояний от него до всех токенов словаря. В экспериментах Smoothie проверяется на безусловной генерации на ROCStories и на четырёх задачах преобразования текста: QQP, Quasar-T, XSum и ParaDetox. Модель сравнивается с DiffuSeq, SeqDiffuSeq, SSD-LM, TESS, TEncDM, MDLM и авторегрессионными базовыми моделями. Smoothie показывает лучшие результаты среди диффузионных методов на нескольких задачах, включая MAUVE на ROCStories, BLEU на Quasar-T и J-Score на ParaDetox. Отдельно авторы показывают, что предложенное пространство расстояний работает лучше, чем стандартное embedding space и simplex space при одинаковой архитектуре и схожей процедуре обучения. Работа будет полезна исследователям генерации текста, диффузионных языковых моделей и дискретных данных, где между категориями есть содержательная близость, например в графах или белковых последовательностях. статья | код

📢 Напоминаем: прием заявок на конкурс open source-проектов ФКН НИУ ВШЭ продолжается до 31 июля! Если вы уже готовите репозиторий к подаче (или только собираетесь его опубликовать), рекомендуем обратить внимание на OSA (Open-Source Advisor) — инструмент, который поможет быстро привести проект в порядок. С помощью OSA можно: ➕ подготовить или улучшить README; ➕ проверить качество кода и документации; ➕ добавить docstring'и; ➕ настроить CI/CD и GitHub Actions; ➕ автоматизировать другие рутинные задачи по сопровождению open source-проекта. Хорошо оформленный репозиторий — это не только плюс для конкурса, но и возможность сделать ваш проект понятным и полезным для других разработчиков. На конкурс принимаются: ✅ Результаты курсовых работ (КР). ✅ Выпускные квалификационные работы (ВКР). ✅ Любые другие инициативные разработки. 📆 Прием заявок до 31 июля 2026 ⭐️ Награждение победителей пройдет 01 октября 2026 Желаем удачи всем участникам и ждем ваши проекты! 🚀 Подписывайтесь на канал: @hse_cs_opensource

LAMBO В репозитории опубликован код LAMBO — метода аугментации разметки для задач с ключевыми точками и контурами объектов. Авторы работают с ситуацией, где изображений много, а точной разметки мало или она не сопоставлена с изображениями напрямую. Такая постановка часто встречается в медицине, биометрии и других областях, где аннотация требует экспертизы. Вместо обычных геометрических преобразований LAMBO генерирует новые разметки через барицентры Вассерштайна между близкими примерами на многообразии исходных аннотаций. Для этого строится граф ближайших соседей по расстоянию Вассерштайна, в нём находятся локальные клики, а новые точки получаются как случайные барицентры внутри этих локальных областей. Такой подход сохраняет естественную геометрию данных и не уводит разметку далеко от исходного распределения. В работе метод применён к обнаружению ключевых точек лица на 300-W, поз человека на Human3.6M и сегментационным контурам на Cardio MRI. Сгенерированные разметки используются при обучении Cyclic GAN, который сопоставляет изображения и ключевые точки в unpaired и semi-supervised сценариях. В экспериментах LAMBO снижает переобучение и превосходит обычные геометрические преобразования, GMM, GAN, VAE и Нормализующие потоки. Особенно заметный выигрыш появляется при малом числе аннотаций, например на подвыборках из 100, 300 и 600 размеченных изображений. Работа будет полезна исследователям компьютерного зрения, медицинской сегментации и задач с дорогостоящей разметкой, где нужно расширять набор аннотаций без ручного контроля каждой новой формы. статья | код