I.8Изображения и компьютерное зрение

SVGDreamer — модель генерации векторной графики по текстовому описанию, представленная пользователем jree423. Она использует Stable Diffusion 2.1 для управления оптимизацией SVG с помощью DiffVG и метода multi-particle VPSD: несколько вариантов изображения создаются параллельно, чтобы исследовать разные интерпретации запроса. Модель предназначена для создания иконок, логотипов, персонажей, объектов, природных сцен и абстрактной графики; доступны стили iconography, pixel art, sketch и painting. Репозиторий содержит веса PyTorch, а для работы используются PyTorch, Diffusers и DiffVG. Можно задавать число вариантов, число итераций, силу следования промпту, размеры холста, стиль и seed. Результат включает SVG-код и его Base64-представление. Лицензия — MIT. Модель подходит для быстрого прототипирования векторных иллюстраций и получения нескольких эскизных вариантов по одному промпту. Качество зависит от числа итераций и заданных параметров; генерация с большим числом итераций занимает больше времени. README не описывает поддержку текстовых языков помимо промптов на естественном языке.

TIPO-200M-ft2 — языковая модель семейства LLaMA от KBlueLeaf, созданная для TIPO (Text to Image with text presampling for Prompt Optimization). Она дополняет и уточняет пользовательские запросы перед передачей в генератор изображений, помогая получать более проработанные промпты для text-to-image систем. Модель имеет плотную архитектуру LLaMAForCausalLM и около 177,9 млн параметров. Она принимает текст и генерирует текст; в карточке указаны английский язык и контекст 2048 токенов. README описывает обучение на данных Danbooru2023 и Coyo-HD-11M, а метаданные также перечисляют наборы подписей к изображениям LAION Conceptual Captions и GBC10M. Для работы автор рекомендует расширение z-tipo-extension, совместимое со Stable Diffusion WebUI, Forge и ComfyUI. TIPO предназначена для автоматического расширения коротких или неполных промптов, особенно в сценариях генерации изображений по тегам и подписям. В README приведены сравнительные результаты тестирования исходной TIPO-200M, но они не подтверждают отдельно качество версии ft2. Лицензия обозначена как other, конкретные условия в предоставленных данных не раскрыты.

ToriiGate-v0.4-2B — мультимодальная модель зрения и языка, разработанная автором Minthy как специализированная версия Qwen2-VL-2B. Она дообучена на наборе из более чем 900 тысяч изображений с подписями и предназначена прежде всего для создания описаний аниме-изображений, цифровых иллюстраций и других картинок. Модель имеет плотную архитектуру Qwen2-VL, содержит 1,5 млрд параметров, принимает изображения и текстовые запросы и генерирует текст; длина контекста — 32 768 токенов. Репозиторий содержит веса safetensors, лицензия — Apache-2.0. Модель умеет создавать короткие и длинные подписи, структурированные описания персонажей, фона и других деталей, а также текст с координатами ограничивающих рамок. Дополнительная информация — например, теги booru, имена персонажей и их признаки — помогает точнее описывать сцены и узнавать персонажей. Версия 2B рассчитана на меньшие вычислительные затраты, чем версия 7B, но уступает ей в точности. Модель специализирована на описании изображений, поэтому другие типы запросов могут работать хуже. Без дополнительной привязки она может ошибаться в именах персонажей; автор также отмечает возможные неточности и провокационные ответы на взрослые темы.

Vectorartz_Diffusion — модель генерации изображений из текста на базе StableDiffusionPipeline, опубликованная пользователем coder119. Она предназначена для создания векторных иллюстраций по текстовым запросам; примеры в карточке охватывают пейзажи, иконки, изометрические сцены, средневековые доспехи, стимпанк-механизмы и подводные рифы. Для активации заявленного стиля используется триггерное слово «vectorartz»; в карточке также приведены рекомендуемые настройки: сэмплер DPM++ 2S a Karras, 16 шагов и CFG 7. Модель размещена в форматах Diffusers и PyTorch и распространяется по лицензии CreativeML OpenRAIL-M. Размер модели, длина контекста и поддерживаемые языки в предоставленных данных не указаны.

FFusion/400GB-LoraXL — набор LoRA-адаптаций, разработанный FFusion и опубликованный для использования с базовой моделью FFusion/FFXL400. Модель предназначена для генерации изображений по текстовому описанию в экосистеме Stable Diffusion XL и Diffusers. Примеры показывают широкий спектр сценариев: персонажи, аниме и цифровой концепт-арт, сюрреалистичные композиции, предметные изображения и стилизованные иллюстрации. Основной язык промптов — английский. Это не самостоятельная генеративная модель, а низкоранговая адаптация, которую необходимо подключать к совместимому SDXL-чекпойнту или пайплайну Diffusers. В репозитории представлены параметры для нескольких LoRA-компонентов, включая UNet, свёрточные слои и два текстовых энкодера, однако полные сведения о размере, обучающих данных, рекомендуемых весах, разрешении и точных ограничениях отсутствуют. Сильной стороной является поддержка разнообразных художественных стилей и сюжетов; качество и результат зависят от базовой модели, промпта и настроек LoRA. Указана лицензия openrail++.

Alephzero Neurolingiust SDXL — модель для генерации изображений по текстовому описанию, совместимая с библиотекой Diffusers и предназначенная для сценариев text-to-image. Она ориентирована прежде всего на создание аниме-изображений, включая изображения девушек. Модель основана на OnomaAIResearch/Illustrious-XL-v2.0 и относится к семейству Stable Diffusion XL. В README указана поддержка английского языка. Точные сведения о количестве параметров, максимальном размере контекста, дополнительных модальностях, сильных сторонах и ограничениях не приведены. Модель создана EmptyYnes. Условия использования определяются лицензией FAIR-1.0-SD (FAIPL-1.0-SD); подробности доступны по ссылке, указанной в README.

Anima-2.9B-Preview-v1-Diffusers — версия модели Anima 2.9B Preview v1 в формате Diffusers, подготовленная CalamitousFelicitousness для SD.Next. Она генерирует аниме-изображения и иллюстрации по текстовым промптам. Модель основана на Gazingstars123/Anima-2.9B: трансформер расширен с 28 до 40 слоёв и содержит около 2,9 млрд параметров. Текстовый энкодер Qwen3-0.6B связан с трансформером через адаптер; также используются VAE Wan и pipeline CosmosTransformer3DModel. Модель обучена на дополнительной выборке из 1,7 млн изображений аниме и иллюстраций. В Preview v1 обучались только добавленные слои, а основные блоки и компоненты взяты из базовой Anima 1.0 Base. Авторы рекомендуют подробные промпты с тегами персонажей, серий и стиля; указаны настройки генерации вплоть до разрешения 1536 × 1536. Репозиторий занимает около 6,9 ГБ, веса сохранены в bf16. Лицензия обозначена как other, поэтому условия использования следует уточнить на странице модели.

Anima-Light-Lavender — модель генерации изображений, выпущенная автором репозитория Johnny-Z и дообученная на Anima-Base v1.0 из серии circlestone-labs/Anima. Она предназначена для создания аниме-иллюстраций, персонажей и стилизованного арта по текстовому описанию. Модель сохраняет архитектуру базовой версии: DiT с 28 слоями и примерно 2 млрд параметров; для работы используются текстовый энкодер Qwen3-0.6B и VAE Qwen-Image. README рекомендует подробные описания примерно в пределах 512 токенов, а также ComfyUI. Доступны веса BF16 и MXFP8; MXFP8 ускоряет инференс. Модель обучалась на примерно 1,7 млн размеченных изображений Danbooru с использованием структурированных подписей и ориентирована на естественно-языковое управление генерацией. Она подходит для персонажного арта и иллюстраций с заданными стилем, композицией, освещением и атмосферой, но не рассчитана на фотореализм. Короткие надписи обычно удаются лучше длинного текста, который модель воспроизводит ненадёжно. Репозиторий указывает лицензию «other», без конкретизации её условий в доступных данных.

Карточка модели guoyww/animatediff-motion-lora-pan-left на Hugging Face совпадает с карточкой guoyww/animatediff-motion-lora-zoom-in, поэтому описание составлено по ней. guoyww/animatediff-motion-lora-zoom-in — Motion LoRA для AnimateDiff, предназначенная для добавления эффекта приближения камеры к генерируемой анимации. Она рассчитана на использование с чекпойнтом guoyww/animatediff-motion-adapter-v1-5-2 и подключается в пайплайне text-to-video на базе Diffusers. Репозиторий содержит веса в формате safetensors. Модель подходит для создания коротких видеоклипов по текстовому описанию с движением zoom-in. Это специализированный адаптер движения, а не самостоятельная модель генерации видео; условия лицензирования в предоставленных материалах не описаны.

Карточка модели guoyww/animatediff-motion-lora-pan-right на Hugging Face совпадает с карточкой guoyww/animatediff-motion-lora-zoom-in, поэтому описание составлено по ней. guoyww/animatediff-motion-lora-zoom-in — Motion LoRA для AnimateDiff, предназначенная для добавления эффекта приближения камеры к генерируемой анимации. Она рассчитана на использование с чекпойнтом guoyww/animatediff-motion-adapter-v1-5-2 и подключается в пайплайне text-to-video на базе Diffusers. Репозиторий содержит веса в формате safetensors. Модель подходит для создания коротких видеоклипов по текстовому описанию с движением zoom-in. Это специализированный адаптер движения, а не самостоятельная модель генерации видео; условия лицензирования в предоставленных материалах не описаны.

Карточка модели guoyww/animatediff-motion-lora-tilt-down на Hugging Face совпадает с карточкой guoyww/animatediff-motion-lora-zoom-in, поэтому описание составлено по ней. guoyww/animatediff-motion-lora-zoom-in — Motion LoRA для AnimateDiff, предназначенная для добавления эффекта приближения камеры к генерируемой анимации. Она рассчитана на использование с чекпойнтом guoyww/animatediff-motion-adapter-v1-5-2 и подключается в пайплайне text-to-video на базе Diffusers. Репозиторий содержит веса в формате safetensors. Модель подходит для создания коротких видеоклипов по текстовому описанию с движением zoom-in. Это специализированный адаптер движения, а не самостоятельная модель генерации видео; условия лицензирования в предоставленных материалах не описаны.

guoyww/animatediff-motion-lora-zoom-in — Motion LoRA для AnimateDiff, предназначенная для добавления эффекта приближения камеры к генерируемой анимации. Она рассчитана на использование с чекпойнтом guoyww/animatediff-motion-adapter-v1-5-2 и подключается в пайплайне text-to-video на базе Diffusers. Репозиторий содержит веса в формате safetensors. Модель подходит для создания коротких видеоклипов по текстовому описанию с движением zoom-in. Это специализированный адаптер движения, а не самостоятельная модель генерации видео; условия лицензирования в предоставленных материалах не описаны.

anime SEXTILLION — модель для генерации изображений по текстовому описанию, созданная realisticElves. Это слияние моделей animeTWO и animeTEN, также разработанных realisticElves; в веса встроен zVae. Модель распространяется в форматах Diffusers, PyTorch и safetensors и использует библиотеку Diffusers.

Another Fine Mess — слитая модель генерации изображений на основе Stable Diffusion 2.1, опубликованная Yntec. Она создаёт изображения по текстовым запросам и рассчитана на универсальные художественные сценарии: автор отмечает преимущество над Freedom.Redmond при запросах с упоминанием аниме и над MangledMerge3 без таких запросов. Модель ориентирована на необычный визуальный стиль, включая аниме, иллюстрации и реалистичные изображения. Модель объединяет Freedom и MangledMerge_v3 с помощью SuperMerger Weight Sum и настройки MBW; репозиторий содержит Diffusers и safetensors версии. В Diffusers-варианте встроен FreedomVAE. Карточка предупреждает, что результаты не следует считать лучше моделей на Stable Diffusion 1.5, и отмечает ограниченную популярность Stable Diffusion 2.1. Лицензия — CreativeML OpenRAIL-M.

Anything V7 — дообученная модель семейства Stable Diffusion от Yntec для генерации изображений по текстовым запросам. Карточка показывает примеры в аниме-, мультяшной и chibi-стилистике, включая персонажей, иллюстрации и игровые образы. Модель распространяется в формате Diffusers и Safetensors по лицензии CreativeML Open RAIL-M. В метаданных указан базовый чекпойнт Yntec/AnythingV3 и поддержка английского языка. Сведений о размере модели и длине контекста в предоставленных источниках нет.

AstolfoXL — модель генерации изображений по текстовому описанию в формате Diffusers на базе Stable Diffusion XL. Карточка описывает несколько вариантов обучения и настройки: 3EP на базе AstolfoXL 2.5EP с переключением в RF, 2.5EP на базе AstolfoKarmix-XL Evo 2EP с режимом vpred, 2EP на базе AstolfoKarmix-XL NIL1.5 v1.2 и ранний вариант на базе AstolfoMix-XL 255c. Указаны датасеты danbooru2024 и e621_2024 для раннего варианта и примеры генерации персонажей, furry-образов и автомобилей. Модель предназначена для создания изображений по текстовым промптам; автор приводит примеры параметров генерации, включая разрешение 1792×768, 48 шагов и sampler Euler. Для некоторых вариантов рекомендуются запятая в negative prompt и TIPO; ранний вариант автор советует не использовать напрямую из-за неверного рецепта слияния базовой модели. Репозиторий распространяется в форматах Diffusers и safetensors по лицензии CreativeML OpenRAIL-M.

CoffeeDonut_v1 — модель генерации изображений по текстовому описанию в стиле аниме, опубликованная автором Kodokuna. Карточка характеризует её как модель для создания аниме-изображений и содержит примеры изображений. Модель распространяется в форматах Diffusers, PyTorch и Safetensors; метаданные указывают архитектуру Stable Diffusion и задачу text-to-image. Лицензия обозначена как other, поэтому условия использования следует сверить с репозиторием. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки.

John6666/cyberrealistic-pony-semi-realistic-semi-real-v30-sdxl — производная text-to-image модель, опубликованная John6666 на Hugging Face и основанная на CyberRealistic Semi Real от Cyberdelia. Репозиторий использует Diffusers и формат safetensors; карточка указывает архитектуру StableDiffusionXLPipeline и лицензию fair-ai-public-license-1.0-sd. Модель предназначена для генерации изображений по текстовым запросам в реалистичном и полу-реалистичном стиле, с тематикой Pony и anime. Она принимает текстовые описания и выдаёт изображения. В доступных сведениях не приведены размер параметров и длина контекста; точные показатели качества и подробные ограничения не установлены.

DC — LoRA-адаптер для генерации изображений по текстовому описанию, разработанный и опубликованный пользователем dd999361. Модель предназначена для использования с базовой моделью stabilityai/stable-diffusion-3.5-large в экосистеме Diffusers и может применяться в сценариях text-to-image. Для активации адаптера в README указан триггер NA. Архитектура и размер LoRA, поддерживаемые языки, максимальный контекст, особенности визуального стиля и конкретные преимущества не раскрыты, поэтому оценить сильные стороны и ограничения модели по предоставленным данным нельзя. Лицензия — MIT.

ddpo-alignment — модель генерации изображений из текста на основе Stable Diffusion v1-4, дообученная методом DDPO для лучшего соответствия изображения текстовому запросу. Разработчики использовали функцию вознаграждения, в которой LLaVA оценивает соответствие между запросом и сгенерированным изображением. Модель обучали на шаблонах запросов с животным и действием: например, «кошка моет посуду» или «собака играет в шахматы». Для таких запросов ожидаются лучшие результаты; авторы также отмечают ограниченное обобщение на другие формулировки. Модель принимает текст и выдаёт изображение, работает через библиотеку Diffusers и распространяется в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M.

Deliberate — модель генерации изображений по текстовому описанию в формате Diffusers на основе Stable Diffusion. Автор описывает её как универсальную версию для создания изображений, рассчитанную на пользователей, которые готовы составлять подробные промпты; среди примеров применения названы создание иллюстраций, проработка анатомии и художественный дизайн. Карточка указывает лицензию BigScience OpenRAIL-M. Автор отмечает, что для хорошего результата нужны подробные промпты; модель ориентирована в том числе на создание откровенного контента. Сведения о базовой модели и её размере в предоставленных данных отсутствуют.

FredZhang7 разработала эту модель на архитектуре GPT-2 для генерации описательных тегов и промптов в стиле Safebooru и Danbooru для anime-моделей преобразования текста в изображение. Модель дообучена на 2,47 млн промптов Stable Diffusion; указанное в карточке базовое семейство — DistilGPT-2. Контекст составляет 1024 токена, модель принимает и генерирует текст. По сравнению с другими GPT-2-моделями генерации промптов автор заявляет на 50% более быстрый прямой проход и на 40% меньшие требования к дисковому пространству и оперативной памяти. В версии 2 улучшены разнообразие и беглость генерации, а обучающие данные очищены от дубликатов, коротких промптов и примеров с NSFW-оценкой выше 0,5. Модель ориентирована на аниме-иллюстрации; качество и безопасность конкретных результатов могут варьироваться. Лицензия — CreativeML OpenRAIL-M.

Yntec/DucHaiten-FANCYxFANCY — модель генерации изображений по текстовому описанию из семейства Stable Diffusion, опубликованная под именем DucHaiten. Карточка демонстрирует генерацию детализированной мультяшной иллюстрации с персонажем в стиле чиби, но не уточняет архитектуру, размер модели или контекст генерации. Модель предназначена для создания изображений по промптам; в примере показана сказочная сцена с девушкой на волне в банке, с детализированными глазами и одеждой. Репозиторий использует Diffusers и форматы PyTorch/Safetensors. Лицензия — CreativeML Open RAIL-M, условия которой ограничивают отдельные способы использования.

DucHaiten Retro — модель генерации изображений по текстовому описанию, опубликованная Yntec в формате Diffusers. Это версия ретро-модели DucHaiten с VAE 840K, встроенным в веса; примеры показывают стилистику ретрофутуризма, винтажных кинематографических кадров, плёночного зерна и моды прошлых десятилетий. Модель предназначена для создания иллюстраций и стилизованных изображений по промптам. Репозиторий использует Stable Diffusion 1.5 и библиотеку Diffusers, а веса представлены в формате safetensors. Примеры демонстрируют детализированные портреты, обложки в духе фантастических журналов и кадры, имитирующие аналоговое кино. Лицензия CreativeML OpenRAIL-M задаёт условия использования и ограничения на распространение и применение модели.

Emi 2 (Ethereal master of illustration 2) — модель генерации изображений по текстовому описанию, разработанная AI Picasso. Она ориентирована на иллюстрации в японском стиле, включая аниме и мангу, и построена на Latent Diffusion Model с OpenCLIP-ViT/G и CLIP-L; в метаданных указаны Stable Diffusion XL Pipeline и библиотека Diffusers. Модель принимает текстовые промпты и создаёт изображения. Карточка предлагает использовать её со Stable Diffusion XL 1.0 и поддерживает работу через ComfyUI, Fooocus и Diffusers. Модель подходит для создания иллюстраций, эскизов и изображений для творческих проектов, а также для интеграции в генеративные сервисы. Разработчик сообщает, что обучал её на отобранных вручную и автоматически изображениях, удалив несанкционированные копии из Danbooru; это утверждение принадлежит карточке модели. Для модели указана лицензия CreativeML Open RAIL++-M, а в метаданных — openrail++. Карточка отмечает, что модель лучше справляется с японской иллюстративной эстетикой, чем с фотореализмом, и может нестабильно генерировать руки. Для улучшения результата рекомендуются отрицательные промпты и дополнительные инструменты коррекции. Выходные изображения следует использовать с учётом лицензии и применимого законодательства.

ExpMixLine v2.0 — модель генерации изображений по текстовому описанию на базе Stable Diffusion, опубликованная AIARTCHAN. Это объединённая модель, сочетающая ExpMix_Line, ChikMix и стилистические LoRA SamDoesArts, ligne claire, Motomurabito и Kidmo; она ориентирована на создание иллюстраций с ощущением 2D-арта. Репозиторий содержит веса Diffusers/PyTorch в формате safetensors; в карточке указана версия no-EMA fp32 размером 5,67 ГБ. Модель предназначена для генерации стилизованных изображений по промптам, в частности одиночных персонажей и иллюстраций. Автор рекомендует DPM++ SDE Karras, Clip skip 1–2, CFG 6–10 и при увеличении разрешения R-ESRGAN 4x+Anime6B с denoise strength 0,4–0,65. Для публикации указана лицензия other, поэтому конкретные права использования следует сверять с условиями на странице модели и исходных компонентов. Основные сведения о поддерживаемых языках, контекстном окне и дополнительных ограничениях качества карточка не устанавливает.

Florence-2-Flux-Large — дообученная на датасете kadirnar/fluxdev_controlnet_16k модель gokaygokay на основе Microsoft Florence-2-large. Она принимает изображение и текстовый запрос и предназначена для генерации текстового описания или ответа о содержимом изображения. Архитектура — Florence-2, класс Florence2ForConditionalGeneration; модель распространяется в формате safetensors и рассчитана на использование через Transformers. Карточка не уточняет, какие именно визуальные задачи или сценарии были улучшены этим дообучением. Базовая Florence-2-large умеет описывать изображения, обнаруживать и локализовать объекты, сегментировать их и выполнять OCR, однако нельзя уверенно приписывать все эти возможности данной версии. Лицензия — Apache-2.0.

gaborcselle/font-identifier — модель классификации изображений, созданная автором карточки путём дообучения ResNet-18 от Microsoft. Она определяет, какой из 48 стандартных шрифтов обучающей выборки использован в изображении, например на снимке экрана с текстом. Модель основана на ResNet-18 и распространяется в формате safetensors. В README указаны точность 0,9633 и функция потерь 0,1172 на тестовой выборке; данные разделены на обучающую и тестовую части в пропорции 80/20. Модель обучена на наборе gaborcselle/font-examples. Лицензия — MIT.

GoodLife — модель генерации изображений по тексту, созданная Yntec путём слияния DucHaiten-GoldenLife и модели на основе COOLKIDSV2. Она предназначена для создания мультяшных иллюстраций, в том числе персонажей в стиле чиби и изображений для детских книг; пример в карточке показывает рекламную иллюстрацию с девочкой и бутылкой напитка. Модель распространяется в форматах Diffusers и safetensors, использует библиотеку diffusers и лицензию CreativeML OpenRAIL-M. Размер модели и длина контекста в предоставленных данных не указаны.

HDM-xut-340M-Anime — модель генерации изображений в аниме-стиле от разработчика проекта HDM (Home made Diffusion Model). Она предназначена для создания иллюстраций по текстовым запросам и рассчитана на запуск и обучение с ограниченными ресурсами. В основе — разработанная для мультимодальной генерации архитектура XUT (Cross-U-Transformer); размер модели указан в названии как 340 млн параметров. Репозиторий использует Diffusers и формат Safetensors. Модель ориентирована на аниме-персонажей и сцены, в том числе с запросами в виде тегов Danbooru и описаний на естественном языке. В README рекомендованы подробные промпты, CFG 2–4 и 16–32 шага генерации; для версии 1024 px предложены разрешения с площадью не менее 1024×1024. В обучении использовались датасеты Amber-River/Pixiv-2.6M и KBlueLeaf/danbooru2023-webp-4Mpixel. Лицензия — CC; конкретный вариант лицензии в предоставленных данных не уточнён.