I.8Изображения и компьютерное зрение

captCHAD — компактная модель OCR для распознавания буквенно-цифровых CAPTCHA, разработанная AndresDev. Модель содержит 97 057 параметров и рассчитана на работу на CPU, периферийных устройствах и в браузере. Архитектура объединяет блоки MobileNet с инвертированными остаточными связями, контрастный входной блок с яркостными и градиентными признаками Собеля, двунаправленный GRU и декодирование CTC. Модель принимает изображения размером 3 × 64 × 192 и предсказывает последовательности длиной от 1 до 8 символов; словарь включает цифры и латинские буквы в обоих регистрах. Для развёртывания доступны ONNX и Safetensors, включая варианты FP32, FP16 и INT8. В README приведён результат 80% точного совпадения на тесте из 50 CAPTCHA, а также малая задержка CPU-инференса; эти показатели относятся к описанному авторами набору испытаний. Модель предназначена для распознавания CAPTCHA с помехами и искажениями, но результат зависит от сходства входных изображений с обучающими и проверочными примерами. Лицензия — Apache-2.0.

chilled_remix — модель генерации изображений по текстовому описанию, созданная sazyou_roukaku на основе слияния нескольких моделей Stable Diffusion. Версия 2 распространяется в формате fp16 с встроенным VAE; в метаданных указан формат safetensors. Автор ориентировал модель на пользователей chilled_re-generic и работу с LoRA: применение LoRA помогает получать более фотореалистичные лица. Модель также хорошо реагирует на промпты, составленные естественным языком, а для подробного задания черт лица автор рекомендует добавлять отдельные ключевые слова. Модель предназначена для создания изображений по текстовым промптам. Автор рекомендует CLIP skip 2 и отмечает, что промпт high resolution может улучшать детализацию фона и текстур. README перечисляет исходные модели слияния: real-max-v3.4, fantasticmix_v10, dreamshaper_5Bakedvae, epicrealism_newAge и diamondCoalMix_diamondCoalv2. Указан язык ja в метаданных, однако README не уточняет, ограничена ли им работа промптов. Лицензия — CreativeML Open RAIL-M с указанием дополнительного авторского права sazyou_roukaku. В README сказано, что лицензия запрещает использование для преступных целей и медицинских изображений; применимы также остальные ограничения лицензии. Автор не рекомендует коммерческое использование модели или сервисов генерации изображений как собственную рекомендацию и отказывается от ответственности за результаты. Качество зависит от промптов и выбранных LoRA; автор отмечает, что некоторые выходы модели могут не соответствовать предпочтениям пользователей.

Boos4721 разработал лёгкую модель OCR для распознавания пятисимвольных буквенно-цифровых CAPTCHA. Она обучена с нуля на реальных примерах и предназначена для изображений с цветными курсивными или повёрнутыми символами на чистом белом фоне. Модель принимает изображение в оттенках серого размером 32 × 160 пикселей и выдаёт последовательность символов из латинских букв верхнего и нижнего регистра и цифр. Архитектура сочетает свёрточную сеть с разделяемыми свёртками по глубине, двухслойную двунаправленную GRU и полносвязный слой; декодирование выполняется методом CTC. В репозитории представлены ONNX-варианты с весами FP32 и FP16-хранением при вычислениях FP32. Модель рассчитана на компактное развёртывание, в том числе через tract или ONNX Runtime без зависимости от Python. Распознавание ограничено заданным форматом CAPTCHA и символами ASCII; лицензия — MIT.

CyberRealistic Pony v16.0 — преобразованная в формат Diffusers версия модели, первоначально созданной Cyberdelia и основанной на Pony. Она предназначена для генерации изображений по текстовым запросам. В карточке указаны варианты сэмплеров DPM++ SDE Karras, DPM++ 2M Karras и Euler a, а также рекомендации использовать Clip Skip 2, более 30 шагов и CFG 5. Репозиторий содержит веса в формате safetensors для StableDiffusionXLPipeline. Указана лицензия CreativeML Open RAIL-M; описание лицензии и условия исходной модели следует учитывать при использовании. Качество результата зависит от запроса и настроек генерации.

DanTagGen-alpha — модель KBlueLeaf для автоматической генерации тегов к изображениям в стиле Danbooru. Она предназначена для сценариев, где по уже заданным метаданным и набору общих тегов требуется дополнить описание изображения: например, для подготовки промптов, каталогизации иллюстраций и интеграции в интерфейсы для генерации или анализа изображений. Модель обучена с нуля на архитектуре LLaMA примерно со 400 млн параметров, которую разработчик условно называет NanoLLaMA. Это текстовая модель генерации, работающая с заданным структурированным форматом, включающим рейтинг, автора, персонажей, правообладателей, соотношение сторон, целевой объём тегов и список общих тегов. Она обучалась на данных KBlueLeaf/danbooru2023-sqlite; в метаданных указаны английский язык и библиотека Transformers. Доступны варианты FP16 и квантованные GGUF-модели с точностью 8 и 6 бит, рекомендованные для запуска через llama.cpp или llama-cpp-python. Сильной стороной модели является специализированная архитектура ввода и ориентация на дополнение тегов изображений, а также возможность быстрого локального запуска благодаря небольшому размеру и GGUF-вариантам. При этом это альфа-версия без приведённых количественных метрик качества, поэтому точность и полнота генерации не определены. Модель обучалась на отфильтрованных данных Danbooru, включая контент с ограничениями по аудитории, что следует учитывать при использовании. Лицензия — OpenRAIL.

John6666/diving-illustrious-real-asian-v50-sdxl — модель генерации изображений по текстовому описанию, опубликованная John6666; в карточке исходным автором указана DivingSuit. Это дообученная версия OnomaAIResearch/Illustrious-xl-early-release-v0 на базе Stable Diffusion XL, предназначенная для создания реалистичных и фотореалистичных изображений с азиатской тематикой. Модель распространяется в формате Diffusers с весами Safetensors и использует конвейер StableDiffusionXLPipeline. Карточка указывает английский язык и лицензию faipl-1.0-sd. Подтверждённых сведений о размере контекста или конкретных ограничениях качества нет.

Dolka_Rusalka_v0.5.1 — модель генерации изображений по текстовому описанию, опубликованная digiplay. Репозиторий содержит модель в формате Diffusers и веса Safetensors; в карточке приведены примеры изображений, созданных по запросам с озером, уткой, девушкой и деревьями сакуры. Модель предназначена для создания изображений по текстовым промптам. Лицензия указана как other, поэтому условия использования следует уточнить на странице модели.

Dreamlike Diffusion 1.0 — модель генерации изображений, созданная dreamlike.art на основе Stable Diffusion 1.5 и дообученная на художественных изображениях высокого качества. Она принимает текстовые запросы и предназначена для создания художественных изображений; для более выраженного фирменного стиля в запрос можно добавить dreamlikeart. Для портретов и пейзажей карточка рекомендует выбирать подходящее соотношение сторон и использовать разрешение выше стандартного. Модель распространяется в форматах Diffusers и PyTorch. Лицензия указана как other, поэтому условия использования следует уточнить в репозитории модели.

Lykon/DreamShaper — модель генерации изображений по текстовому описанию, размещённая разработчиком Lykon на Hugging Face. Репозиторий содержит веса в форматах Diffusers, PyTorch и SafeTensors; метаданные связывают модель со Stable Diffusion и указывают английский язык карточки и художественную направленность. Модель подходит для создания художественных изображений и иллюстраций по текстовым запросам. Карточка упоминает сервисы Mage.space и sinkin.ai для запуска модели. В метаданных указана лицензия «other», поэтому условия использования следует проверять в самой карточке или в приложенных файлах лицензии. README не описывает ограничения качества, архитектурные детали, размер модели или длину контекста.

Карточка модели lzyvegetable/DreamShaper на Hugging Face совпадает с карточкой Lykon/DreamShaper, поэтому описание составлено по ней. Lykon/DreamShaper — модель генерации изображений по текстовому описанию, размещённая разработчиком Lykon на Hugging Face. Репозиторий содержит веса в форматах Diffusers, PyTorch и SafeTensors; метаданные связывают модель со Stable Diffusion и указывают английский язык карточки и художественную направленность. Модель подходит для создания художественных изображений и иллюстраций по текстовым запросам. Карточка упоминает сервисы Mage.space и sinkin.ai для запуска модели. В метаданных указана лицензия «other», поэтому условия использования следует проверять в самой карточке или в приложенных файлах лицензии. README не описывает ограничения качества, архитектурные детали, размер модели или длину контекста.

DucHaiten Anime 768 — модель генерации изображений в стиле аниме, опубликованная Yntec. Это вариант модели DucHaiten Anime с разрешением 768 пикселей, в формате FP16 без EMA и со встроенным VAE Waifu 1.4 для инференса. Репозиторий предназначен для использования с библиотекой Diffusers и содержит веса PyTorch в формате safetensors. Модель принимает текстовое описание и генерирует изображение. Она подходит для создания аниме-иллюстраций по промптам. В карточке указана лицензия CreativeML OpenRAIL-M; она предусматривает условия использования и ограничения, изложенные в самой лицензии.

FastVideo FastH3 4-step Preview v1 Dense DataFree — экспериментальный чекпойнт FastVideo для генерации синхронизированных видео и аудио по текстовому описанию. Это абляционная версия с плотным вниманием на базе MiniMaxAI/MiniMax-H3, обученная методом DMD2 без данных; указанный шаг обучения — 1000. Генерация выполняется за четыре прохода трансформера. Модель предназначена для быстрого создания коротких аудиовизуальных роликов по текстовым запросам. В README отмечено, что сложное движение, мелкие детали и часть аудио могут получаться хуже, чем у базовой MiniMax H3; сценарии FL2VA и Ref2VA для этого чекпойнта не дистиллировались. Репозиторий содержит веса в формате safetensors и использует библиотеку Diffusers. Модель наследует лицензию MiniMax H3 Community License.

Gemma4-31B-CVRR — мультимодальная модель для ответов на вопросы об изображениях, разработанная авторами работы «Reason Through the Latent! Making Latent Visual Reasoning Necessary» на основе google/gemma-4-31B-it. В ней применяется метод Causal Visual Recurrent Reasoning (CVRR): модель многократно уточняет представление вопроса, сохраняя доступ к визуальным данным, а затем использует это состояние для генерации ответа. Рекуррентный переход адаптирован с помощью LoRA и объединён с весами модели. Модель принимает изображение и текстовый вопрос, выдаёт текстовый ответ и поддерживает визуальное рассуждение. В репозитории находятся веса backbone и объединённого рекуррентного перехода, а также специальный код для запуска через Transformers 5.10.4. Для каждого экземпляра модели требуется отдельная GPU; автоматическое распределение модели по GPU, загрузка через vLLM/SGLang и обычная повторная сериализация через save_pretrained() не поддерживаются. Лицензия — Apache-2.0. README предупреждает, что исторические оценки с параметром beta=0.33 не подтверждены для этой версии пакета.

Hentai Mix XL — модель генерации изображений по текстовому описанию, опубликованная аккаунтом stablediffusionapi; карточка предлагает использовать её через API ModelsLab. Она предназначена для создания изображений по промптам и поддерживает настройку отрицательного промпта, размера изображения, количества шагов генерации и других параметров запроса. В README показан пример генерации реалистичного киберпанк-портрета; в метаданных указана архитектура StableDiffusionXLPipeline и форматы Diffusers, PyTorch и safetensors. Модель распространяется по лицензии CreativeML OpenRAIL-M. Тег карточки предупреждает, что модель не подходит для всех аудиторий.

InstructBLIP-Vicuna-13B — визуально-языковая модель Salesforce, построенная на BLIP-2 и настроенная следовать инструкциям по изображению; в качестве языковой модели используется Vicuna-13B. Она принимает изображение и текстовый запрос и формирует текстовый ответ, что подходит для описания изображений и ответов на вопросы о них. Модель относится к архитектуре InstructBLIP и опубликована в форматах PyTorch и Safetensors. Модель представлена в поддержку академической работы и не оценивалась для всех практических сценариев. Перед применением следует проверять точность, безопасность и справедливость ответов, особенно в ситуациях высокого риска. Лицензия указана как other, поэтому условия использования следует уточнить в материалах репозитория.

Kitsch-In-Sync v2.0 — модель генерации изображений по текстовому описанию, созданная Xenos. Она предназначена для создания стилизованных изображений по промптам; пример в карточке сочетает рождественскую тематику с отсылками к иллюстраторам Haddon Sundblom и Gil Elvgren. Модель опубликована в форматах Diffusers и safetensors и использует библиотеку Diffusers. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки.

KLEIN-Unchained-V2 — LoRA-модель для генерации изображений по текстовому описанию, разработанная пользователем или организацией Keltezaa. Модель предназначена для использования в сценариях text-to-image и интеграции с библиотекой Diffusers. Модель является адаптацией базовой модели black-forest-labs/FLUX.2-klein-base-9B с применением метода LoRA. Из доступных данных известно, что она относится к семейству diffusion-моделей; сведения о точном размере LoRA-адаптера, поддерживаемых языках, размере контекста, дополнительных модальностях и характерных визуальных свойствах отсутствуют. Примеры в карточке используют текстовый промпт «-», однако этого недостаточно для оценки качества и области специализации. Модель может быть полезна для экспериментов и генерации изображений в совместимом пайплайне на базе FLUX.2-klein-base-9B. Ограничения, сильные стороны и требования к оборудованию в README не описаны. Лицензия — Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0), поэтому коммерческое использование и распространение производных работ ограничены условиями лицензии.

Disty0/LCM_SoteMix — аниме-модель для генерации изображений из текста на основе Stable Diffusion 1.5, преобразованная в формат LCM из оригинальной SoteMix. Разработчик указывает, что генерация возможна за 4 шага; рекомендует сэмплер LCM, 4–8 шагов, CFG 0 или 1 и базовые разрешения от 512 до 1024 пикселей, включая портретный формат 768×1280. В репозитории также указаны варианты ONNX и OpenVINO. Модель ориентирована на создание аниме-иллюстраций по текстовым запросам. Веса включают VAE Blessed2. Лицензия — CreativeML OpenRAIL-M; применяйте модель с учётом условий этой лицензии. Указанные настройки и разрешения являются рекомендациями автора, а качество результата может зависеть от запроса и используемой реализации.

Electrocom VLM V2 — компактная визуально-языковая модель на 450 млн параметров, разработанная erikku-sama на основе LiquidAI/LFM2.5-VL-450M. Модель дообучена на наборах ElectroCom61 и Electronic Detection для распознавания и локализации электронных компонентов на изображениях. Она принимает изображения и текстовые запросы, а ответы о найденных компонентах формирует в структурированном JSON, пригодном для программной обработки. Модель предназначена для инвентаризации электронных компонентов, визуальной проверки печатных плат и учебных инструментов по идентификации электроники. В карточке заявлены полнота grounding 31,9% при IoU > 0,5 и скорость 85,2 токена в секунду; автор также сообщает об улучшении локализации относительно версии V1. Доступны веса Safetensors и GGUF F16. Указана лицензия other, поэтому конкретные условия использования следует проверять в файлах репозитория.

Technotech разработал MagicPrompt-tinystories-33M-epoch10-merged — компактную авторегрессионную языковую модель семейства GPT-Neo для продолжения и дополнения текстовых промптов Stable Diffusion. Модель дообучена на 80 тысячах промптов Stable Diffusion; в метаданных указаны 71,6 млн параметров и контекст до 2048 токенов. Базовая модель — TinyStories-33M. Модель предназначена для генерации вариантов промптов и продолжения заданного описания сцены при подготовке запросов для Stable Diffusion. Она принимает текст и выдаёт текст на английском языке. Автор отмечает, что при небольшом размере модель справляется приемлемо, но слабо понимает содержание; повторы фраз могут возникать, поэтому при генерации важны настройки против повторов. Лицензия — Apache-2.0.

MIDNIGHT Illustrious — модель генерации изображений по текстовым запросам, созданная MidnightRunner на основе семейства Illustrious XL и SDXL. Она рассчитана на фотореалистичные, выразительные изображения с высокой детализацией, глубиной резкости и объёмным освещением; в карточке особо отмечены редакционная и журналистская фотография, постановочные и художественные сцены. Модель принимает текстовые промпты и выдаёт изображения. Её можно использовать в ComfyUI, Automatic1111 и других инструментах на базе Diffusers. В README приведены рекомендации по сэмплерам и настройкам генерации, включая 20–30 шагов, CFG 4 и Clip Skip 1. Модель ориентирована на английские промпты. Как и другие генераторы изображений, она может ошибаться в деталях и анатомии; автор рекомендует отрицательные промпты для снижения таких дефектов. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но запрещает коммерческое применение.

Это конвертированная для MLX версия модели inclusionAI/Ming-Image-0.1-Design, подготовленная для запуска через mflux на компьютерах Apple Silicon. Модель преобразует текстовые запросы в изображения с альфа-каналом RGBA и ориентирована на графический дизайн: плакаты, открытки, интерфейсы и изображения с типографикой. В сборке используется текстовый энкодер Ling-mini-2.0 MoE с 6-битным представлением, коннектор Qwen2 с 8-битным представлением и DiT, намеренно оставленный в 8 битах для сохранения качества крупных надписей. Репозиторий занимает 21,2 ГБ; для работы требуется версия mflux с поддержкой семейства Ming-Image. В README приведены замеры на Mac mini M4 с 24 ГБ памяти: генерация изображения 512×512 занимает около минуты, а 1024×1024 — 4–4,5 минуты. Модель предназначена для генерации дизайнерских изображений по текстовому описанию, включая композиции с читаемыми заголовками и текстом. Автор сообщает о поэтапной проверке реализации MLX относительно официального конвейера PyTorch с высокой близостью тензоров и воспроизведением компоновки, типографики и текста. Лицензия — MIT.

NetaYume Lumina Image 2.0 Diffusers v35 pretrained — модель генерации изображений по текстовому описанию в формате Diffusers. Она создана на основе объединения Alpha-VLLM/Lumina-Image-2.0 и neta-art/Neta-Lumina; карточка рекомендует использовать Danbooru-теги для аниме-иллюстраций и обычные текстовые запросы для изображений общего назначения. В README приведены рекомендуемые настройки: CFG 4–7 и 40–50 шагов сэмплирования. Модель принимает текст и генерирует изображения. Базовая Neta Lumina предназначена для аниме-иллюстраций; также заявлена ориентация на точное соответствие изображения текстовому запросу. Репозиторий распространяется в формате Diffusers и Safetensors по лицензии Apache-2.0.

Portrait+ — модель генерации изображений от автора wavymulder, созданная методом DreamBooth на базе Stable Diffusion 1.5 и обученная на разнообразных портретах людей от крупного до среднего плана. Для генерации рекомендуется добавлять в начало запроса фразу «portrait+ style». Модель стремится сохранять портретную композицию и единообразный вид глаз, поддерживает разные стили и лучше всего работает с квадратным форматом изображения; также возможны высокие вертикальные форматы. Для фотореалистичной генерации известных людей и фантастических образов может потребоваться более точное описание запроса. Модель предназначена для генерации изображений по тексту и ориентирована на англоязычные запросы. Лицензия — CreativeML OpenRAIL-M.

pseudo-flex-base — диффузионная модель генерации изображений по тексту, разработанная pseudoterminal на основе Stable Diffusion 2.1. Она дообучена для работы с разными соотношениями сторон, включая квадратные, портретные и широкие изображения; в карточке приведены примеры генерации при разрешении 1024×1024 и других пропорциях. Модель предназначена для создания фотореалистичных изображений и сцен с приключенческой тематикой, сохраняя связь с текстовым запросом. Обучение включало данные LAION HD и изображения Midjourney 5.1; в процессе использовались веса text encoder из ptx0/pseudo-real-beta. Для модели указаны английский язык и лицензия CreativeML OpenRAIL-M. Автор обозначает выпуск как тестовый для оценки пользователями. Среди заявленных ограничений — небольшой обучающий набор, возможный шум и проблемы с контрастом; архитектура SD 2.1 старше SDXL и, по словам автора, не обеспечивает сопоставимого качества.

resnet50_clip.openai — модель CLIP, разработанная OpenAI и опубликованная в каталоге timm. Она предназначена для сопоставления изображений с текстовыми описаниями и классификации изображений без дообучения на заданных категориях: пользователь передаёт изображение и варианты текста, а модель оценивает их соответствие. Архитектура включает модифицированный ResNet-50 как визуальный энкодер и Transformer с masked self-attention как текстовый энкодер; всего 38,4 млн параметров. Модель принимает изображения и английский текст, выдаёт оценки сходства между ними. Карточка OpenAI ограничивает предполагаемое использование исследованиями и рекомендует проверять модель на конкретной задаче; для развёртывания она не предназначена. К ограничениям относятся нестабильность результатов при смене формулировок и набора категорий, слабые результаты на тонкой классификации и подсчёте объектов, а также выявленные смещения. Репозиторий Hugging Face указывает лицензию MIT.

Slpk32/saved — модель LoRA для генерации изображений по текстовому описанию, опубликованная пользователем Slpk32. Она предназначена для использования в экосистеме Diffusers поверх базовой модели lopi999/Wan2.2-I2V_General-NSFW-LoRA; в карточке также указан тег text-to-image. Пример виджета демонстрирует генерацию изображения по текстовому запросу, однако подробное назначение и специализация адаптера не описаны. Известно, что это адаптер LoRA, но его размер, точная архитектура, поддерживаемые языки, рабочий контекст, требования к аппаратному обеспечению и конкретные сильные стороны не указаны. В метаданных отсутствует instance prompt. README не содержит сведений о лицензии и явных ограничениях использования, поэтому условия распространения и применения определить нельзя.

Norod78/SD15-VinageStyle — модель генерации изображений по текстовому описанию на базе Stable Diffusion, опубликованная пользователем Norod78. Она предназначена для создания изображений с винтажной эстетикой: в карточке приведены примеры портретов и фантастических сцен с подсказками Vintage style и Vintage. Примеры используют разрешение 512×512 и показывают запуск через Diffusers StableDiffusionPipeline; подходящие параметры генерации зависят от запроса и выбранных настроек. Модель распространяется в формате Diffusers/PyTorch по лицензии CreativeML OpenRAIL-M. Карточка связывает её с набором подписей Norod78/vintage-blip-captions.

SpatialLadder-3B — мультимодальная модель для пространственных рассуждений, разработанная авторами работы SpatialLadder: Progressive Training for Spatial Reasoning in Vision-Language Models. Она основана на Qwen2.5-VL-3B-Instruct и содержит 3,1 млрд параметров; архитектура — плотная Qwen2.5-VL с поддержкой диалога и анализа изображений. Модель обучена в три этапа: локализация объектов для визуального связывания, выполнение многомерных пространственных задач и оптимизация рассуждений для сложных пространственных сценариев. Модель предназначена для анализа изображений с вопросами и ответами на естественном языке, включая локализацию объектов и решение задач на пространственные отношения и понимание сцены. Заявлены сильные результаты и обобщение на нескольких бенчмарках пространственных рассуждений. Контекстное окно составляет 128 000 токенов. Репозиторий распространяет веса в формате Safetensors по лицензии Apache-2.0; карточка не приводит конкретных ограничений качества или перечня поддерживаемых языков.

Linaqruf/style-enhancer-xl-lora — это компактный LoRA-адаптер, разработанный Linaqruf для Stable Diffusion XL и дообученный на базе Animagine XL 2.0. Модель предназначена для генерации и улучшения высококачественных изображений в аниме-стилистике, а также для воссоздания характерной «старой» художественной эстетики SD 1.5. Адаптер поддерживает использование тегов Danbooru, что позволяет точнее задавать содержание, композицию и визуальные характеристики изображения. Модель ориентирована на сценарии text-to-image и применяется совместно с Animagine XL 2.0 через библиотеку diffusers. В README не указаны точный размер адаптера, максимальная длина контекста, набор языков текстового кодировщика или дополнительные модальности; заявлена совместимость со Stable Diffusion XL. Сильными сторонами являются повышение детализации и качества аниме-изображений, компактность LoRA-формата и возможность управляемой генерации с помощью тегов. Результаты зависят от базовой модели и параметров генерации, а адаптер не является самостоятельной полноразмерной моделью. Распространяется по лицензии CreativeML Open RAIL++-M.