I.8Изображения и компьютерное зрение

lametta v1602 — модель генерации изображений по текстовому описанию в формате Diffusers. В README указано, что в неё встроен MoistMixV2VAE; пример промпта описывает милого персонажа в стиле чиби и иллюстрацию с детализированными глазами, волосами и одеждой. Модель предназначена для создания аниме- и чиби-иллюстраций по текстовым запросам. Модель распространяется в форматах Diffusers, PyTorch и Safetensors под лицензией CreativeML Open RAIL-M. README не сообщает базовую модель, размер, длину контекста или точные параметры обучения.

Luna Diffusion — дообученная автором proximasanfinetuning модель генерации изображений на базе Stable Diffusion 1.5. Она обучена на нескольких сотнях изображений высокого разрешения с преимущественно ручными подписями и настроена на создание эфирных, живописных изображений; отдельно отмечена работа с разными оттенками кожи. Модель принимает текстовые запросы и генерирует изображения. Специальные триггерные слова не нужны: добавление слова «painting» усиливает живописный стиль, а «illustration» помогает получить более векторную иллюстрацию. Автор рекомендует разрешения 768×768, 512×768 или 768×512 пикселей; квадратный формат 512×512 может давать чрезмерно обработанный результат. Доступны файлы Diffusers, PyTorch и safetensors, а карточка показывает лицензию как «other» без уточнения условий.

Mangaka — модель генерации изображений в стиле аниме и манги, разработанная Parsee Mizuhashi. Она предназначена для создания иллюстраций и панелей манги по текстовым запросам; автор советует следовать рекомендациям по промптам для hnnng-dx и добавлять к запросу «greyscale monochrome» для монохромного результата. Модель дообучена на основе hnnng-dx и распространяется в форматах Diffusers и Safetensors. Карточка указывает лицензию «other», поэтому конкретные условия использования следует уточнять у автора. Данных о размере модели и поддерживаемых языках карточка не приводит.

Mikan Illustrious v10 SDXL — модель преобразования текста в изображение, созданная пользователем _taki_ и опубликованная в репозитории John6666 на Hugging Face. Это дообученная версия Illustrious-xl-early-release-v0, работающая через StableDiffusionXLPipeline библиотеки Diffusers и распространяемая в формате, совместимом с экосистемой Stable Diffusion XL. Модель предназначена для генерации аниме-иллюстраций и персонажей по текстовому описанию. Она ориентирована на чистую линейную графику, выразительные лица и привлекательное затенение, а также на сюжеты в жанрах повседневности, фэнтези и экшена, включая изображения девушек и идолов. Для использования применяется лицензия FAIR-1.0-SD; точные условия следует проверять в тексте лицензии.

Это набор объединённых весов MOVA для запуска генерации видео в ComfyUI, собранный rzgar на основе MOVA-360p и MOVA-720p от OpenMOSS. Репозиторий содержит варианты для разрешений 360p и 720p; для вариантов высокого и низкого шума используются отдельные видеодиффузионные компоненты, тогда как видео- и аудиокодировщики, токенизатор, планировщик и текстовый энкодер общие. Веса представлены в формате safetensors и поддерживают FP8. Модель предназначена для мультимодальной генерации видео с возможностью работы со звуком через ComfyUI. README описывает пользовательский узел ComfyUI, который умеет загружать модели с ограниченной видеопамятью, но пока не завершён. Экспериментальный путь LightX2V ускоряет генерацию, однако качество видео и звука снижено; надёжная генерация синхронной речи и звука не реализована. Репозиторий распространяется по лицензии Apache-2.0.

Nasa-space-V2-768 — модель генерации изображений по текстовому описанию, созданная Fireman4740 методом DreamBooth на базе Stable Diffusion v2-768. Она предназначена для создания изображений с использованием концепции и подсказок NASA style; для запуска автор предлагает применять библиотеку diffusers. Модель распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M.

Lykon/NeverEnding-Dream — модель генерации изображений по текстовому запросу, размещённая разработчиком Lykon. Она распространяется в форматах Diffusers, PyTorch и Safetensors и помечена как Stable Diffusion, однако карточка не приводит сведения об архитектурной версии, размере модели, контексте или конкретных особенностях генерации. Модель предназначена для создания художественных изображений по текстовым описаниям. В метаданных указан английский язык. Лицензия обозначена как other, поэтому конкретные условия использования по карточке определить нельзя. README не содержит дополнительных технических характеристик или описания ограничений модели.

Emanon14/NONAMEmix_v1 — диффузионная модель для генерации изображений по текстовому запросу, собранная автором как слияние нескольких моделей семейства SDXL. В рецепте указаны Raehoshi Illust XL 2.1, NoobAI-XL Epsilon-Pred 0.75, Movable Figure Model XL NOOB XL1.0, paruparu illustrious v3.2 и LoRA SPO-SDXL_4k-p_10ep_LoRA_webui. Модель ориентирована на запросы в стиле тегов Booru. Карточка описывает варианты V1.0, V1.1 и V1.1_L, отличающиеся степенью изменения пропорций персонажей относительно базового варианта. Автор рекомендует CFG 5–6, 28 шагов и сэмплер DPM++2M SDE; для увеличения разрешения приведены настройки Hires.fix с 4x-UltraSharp. Модель распространяется по лицензии Fair AI Public License 1.0-SD; перед использованием следует учитывать её условия.

NoobAI XL 0.6 — диффузионная модель генерации изображений по тексту, разработанная Laxhar Lab. Это версия обучения только UNet, созданная на основе Laxhar/noobai-XL-0.5 и Illustrious-xl с использованием тегированных датасетов Danbooru и e621; карточка отмечает, что её база знаний менее обширна, чем у последующих моделей семейства. Модель рассчитана на иллюстративную генерацию по тегам и текстовым промптам. Для неё рекомендуются CFG 5–6, 25–30 шагов сэмплирования Euler a и суммарное разрешение около 1024×1024; среди подходящих форматов указаны как квадратные, так и вытянутые пропорции. Репозиторий содержит веса в формате safetensors и поддерживает запуск через Diffusers StableDiffusionXLPipeline. Карточка запрещает коммерческое использование модели, производных моделей и созданных с её помощью материалов, требует открывать производные работы и соблюдать условия fair-ai-public-license. Лицензия в метаданных указана как other. Разработчики предупреждают о возможных неожиданных или вредных результатах и возлагают риски использования на пользователя.

NoobAI XL V-Pred 0.6 — диффузионная модель генерации изображений по тексту, разработанная Laxhar Lab. Она дообучена на базе NoobAI XL и использует предсказание v вместо eps; в обучении применялись наборы Danbooru и e621 с исходными тегами и подписями на естественном языке. Модель рассчитана на создание иллюстраций по тегам и текстовым описаниям, в том числе изображений в эстетике аниме. Для работы подходят Diffusers, reForge и ComfyUI. В README рекомендуются сэмплер Euler, 28–35 шагов, CFG 4–5 и разрешение с общей площадью около 1024×1024; другие сэмплеры могут работать некорректно. Модель принимает текст и генерирует изображения. Карточка указывает английский язык, но не сообщает длину контекста. Использование ограничено условиями fair-ai-public-license: коммерческое применение запрещено, а производные модели, LoRA и основанные на модели продукты должны быть открытыми с публикацией деталей работы. Лицензия также запрещает вредоносное и незаконное использование; авторы предупреждают о возможных неожиданных или вредных результатах генерации.

Карточка модели remonie130/noobai-XL-Vpred-1.0 на Hugging Face совпадает с карточкой Laxhar/noobai-XL-Vpred-1.0, поэтому описание составлено по ней. NoobAI XL V-Pred 1.0 — модель генерации изображений по текстовому описанию от Laxhar Lab. Это диффузионная модель на базе SDXL, дообученная на данных Danbooru и e621 с тегами и подписями на естественном языке. Версия использует предсказание v и рассчитана на генерацию иллюстраций, в том числе в аниме-стиле. Для работы автор рекомендует сэмплер Euler, CFG 4–5, 28–35 шагов и разрешения с общей площадью около 1024×1024 пикселей. Модель доступна для Diffusers, ComfyUI и совместимых WebUI; карточка отмечает, что ветка dev WebUI может быть нестабильной. Для других сэмплеров корректная работа не гарантируется. Лицензия указана как other; README запрещает коммерческое использование, требует открывать производные модели, LoRA и продукты, а также соблюдать условия fair-ai-public-license. Модель также запрещено использовать для незаконных, вредоносных или оскорбительных целей. Генерация может давать неожиданные или вредные результаты.

OpenNiji — модель Stable Diffusion для генерации изображений в эстетике Nijijourney, обученная ShoukanLabs на изображениях Nijijourney. Она принимает текстовые запросы и создаёт изображения; в README приведён пример запроса для иллюстрации девушки под водой. Модель распространяется в форматах Diffusers, PyTorch и Safetensors и использует лицензию CreativeML OpenRAIL-M. В README также отмечено, что к модели применён приём in01, который, по заявлению автора, должен улучшать генерацию рук. Карточка сообщает о выпуске OpenNiji-V2, однако описывает конкретные характеристики и качество именно этой версии ограниченно; также опубликована LoRA-версия дообучения для использования на других моделях.

Pattern Diffusion — диффузионная модель генерации изображений по текстовому описанию, разработанная Alex Reid для создания бесшовных повторяющихся узоров. Модель обучена с нуля примерно на 6,8 млн тайловых паттернов и основана на архитектуре Stable Diffusion 2 Base. Обучение проходило в разрешениях от 256×256 до 1024×1024; для получения изображений без видимых швов автор рекомендует сочетать циклический сдвиг шума с круговой обработкой свёрточных слоёв на поздних этапах генерации. Модель предназначена для дизайна поверхностей: текстильных принтов, обоев, упаковки и других повторяемых декоративных материалов. Особенно хорошо справляется с цветочными и абстрактными узорами и учитывает цвета переднего и заднего плана в запросе. Распространяется по лицензии Apache 2.0, допускающей коммерческое использование без обязательного указания авторства. Модель не создаёт связный текст, слабо справляется с анатомически корректными живыми существами и может давать геометрически непоследовательные результаты даже для простых фигур. Для бесшовной генерации требуется соответствующая настройка инференса, описанная автором.

Pixel-1 — экспериментальная компактная модель генерации изображений по тексту, разработанная TopAI-1 и обученная с нуля. Она предназначена для создания изображений по подробным описаниям, особенно для сцен с контрастными цветами и явно заданными структурными деталями, например оконными решётками и тенями от ограды. Модель использует текстовый энкодер CLIP ViT-L/14 от OpenAI и собственный сверточный декодер с транспонированными свёртками, остаточными блоками и пропусками связей. Генератор преобразует текстовое представление в изображение размером 128×128 пикселей. Карточка описывает версию v1 как стилизованную, иногда живописную или пикселизированную; заявленная точность следования пространственным деталям основана на примерах автора. Репозиторий содержит веса в формате safetensors, библиотека — Transformers. Лицензия — Apache-2.0.

Pony_Diffusion_V6_XL — модель генерации изображений, представленная в репозитории LyliaEngine и связанная с разработчиком PurpleSmartAI. Это дообученная версия SDXL на базе Bakanayatsu/Pony-Diffusion-V6-XL-for-Anime, предназначенная для создания SFW- и NSFW-изображений антропоморфных, животных и гуманоидных персонажей, а также их взаимодействий. Модель понимает естественные языковые описания и теги, включая тематику furry, pony, cartoon и anime, и способна распознавать множество персонажей и вымышленных вселенных. Обучение проводилось примерно на 2,6 млн эстетически отобранных изображений с сочетанием подписей и тегов; около половины изображений имела подробные текстовые описания. Рекомендуются clip skip 2, sampler Euler a, около 25 шагов и разрешение 1024 пикселя. В большинстве случаев отрицательные промпты и дополнительные усилители качества не требуются, однако для V6 рекомендуется использовать строку тегов score_9, score_8_up, score_7_up, score_6_up, score_5_up, score_4_up. Ограничениями являются возможное появление трудноудаляемых псевдоподписей и необходимость корректной настройки clip skip. В метаданных указана лицензия CDLA-Permissive-2.0, но подробный раздел README описывает модифицированную Fair AI Public License 1.0-SD с ограничением на запуск инференса в монетизируемых веб-сайтах и приложениях, включая производные модели и объединения. Коммерческое использование требует отдельного разрешения; в README отдельно указано разрешение для CivitAI и Hugging Face, поэтому условия лицензии следует дополнительно проверить перед использованием.

ponyRealism_v21MainVAE — модель text-to-image на базе Stable Diffusion XL и формата LoRA, разработанная LyliaEngine. Она предназначена для генерации реалистичных изображений с широким разнообразием стилистики Pony, включая портреты и сцены с персонажами. Модель особенно хорошо работает на средних и близких планах, передаёт детали лица и кожи и обеспечивает хорошее следование текстовому запросу. Модель основана на LyliaEngine/Pony_Diffusion_V6_XL. Для локальной генерации рекомендуются разрешения 1280×768 или 768×1280, 20–30 шагов, CFG 6–7 и Clip Skip 2. Заявлена совместимость с рядом сэмплеров, включая DPM++ SDE и его варианты, DPM2 a и DPM++ 3M, однако основная версия имеет ограниченную совместимость с некоторыми сэмплерами; альтернативная версия совместима с большим их числом, но обеспечивает меньше деталей. Триггерные слова не требуются, рекомендуется использовать Danbooru-теги и не превышать вес 1,5 в промптах. Модель распространяется в формате Safetensors по лицензии CDLA-Permissive-2.0. README не указывает поддерживаемые языки, точный размер параметров, отдельные модальности кроме генерации изображений и другие количественные характеристики. Для работы с моделью рекомендуется применять структуру промпта со служебными тегами score и BREAK, а также отрицательные промпты с оценочными тегами.

Prompt Extend — генеративная модель на базе GPT-2, обученная на наборе промптов для Stable Diffusion. По основной идее она продолжает текст и предлагает подходящие стилевые подсказки для промпта, помогая подготовить описание для генерации изображения. Модель принимает текст и выдаёт текст; её архитектура — GPT2LMHeadModel, а длина контекста составляет 1024 токена. Модель предназначена для создания и расширения промптов в стиле датасета Stable Diffusion. В карточке указана лицензия MIT. Сведений о поддерживаемых языках или специальных ограничениях качества нет.

Prompt-Refine-MiniCPM5-1B — компактная текстовая модель, созданная EphemeralYou на основе openbmb/MiniCPM5-1B-SFT и дообученная на синтетических примерах от HiDream-ai/Prompt-Refine. Она преобразует короткие, расплывчатые или разговорные описания сцен на китайском или английском языке в подробные самодостаточные промпты на английском для генерации изображений. При расширении модель раскрывает объект, композицию, действие, место, освещение, материалы, стиль и текстовые элементы сцены. Модель содержит около 837,6 млн параметров, использует плотную архитектуру семейства Llama и формат safetensors; в README указана точность bfloat16. Нативный контекст составляет 131 072 токена. Модель работает только с текстом: она не принимает изображения и не оценивает качество исходного промпта. Распространяется по лицензии Apache-2.0.

Protogen 2.2 — модель генерации изображений по текстовому описанию, опубликованная Yntec. В карточке представлены варианты 768×768 для API-инференса и 512×512; автор называет версию 768×768 наиболее подходящей для плоского аниме-стиля. Модель предназначена для создания иллюстраций по промптам, в частности аниме- и художественных изображений. Репозиторий использует Diffusers и формат safetensors. Для использования указана лицензия CreativeML OpenRAIL-M, условия которой следует учитывать при применении и распространении результатов.

Qwen-Image-2.1-LoRAs — набор LoRA-адаптеров, разработанный WarmBloodAban для базовой модели Qwen/Qwen-Image-2.1. Репозиторий предназначен главным образом для редактирования изображений в аниме-стилистике, включая повышение согласованности персонажа при работе с референсами и изменении выражений лица. В README указан адаптер Qwen2.1_Anime_consistency, обученный преимущественно на листах персонажей с четырьмя ракурсами и примерах редактирования мимики. Модель находится в экспериментальной стадии, поэтому стабильность и конкретные результаты редактирования не гарантируются. Это LoRA-модель для Diffusers с поддержкой image editing; сведения о размере, точной архитектуре адаптера, мультимодальных возможностях, языках и максимальном контексте не указаны. Для использования рекомендуется применять официальные настройки Qwen-Image 2.1 для числа шагов сэмплирования и CFG Scale, а вес LoRA первоначально устанавливать в диапазоне 0,6–0,8 с последующей корректировкой под задачу. Модель распространяется по лицензии Apache-2.0.

Qwen-Image-2.1-PE-T2I — модель переписывания запросов для генератора изображений Qwen-Image-2.1 из семейства Qwen. Это дообученная Qwen3.5-VL 9B: она преобразует краткое описание изображения на любом языке в подробный англоязычный промпт и рекомендует соотношение сторон. Её используют как этап подготовки запроса перед генерацией изображения в Qwen-Image-2.1. Модель принимает текст и выдаёт структурированный результат с переписанным промптом и рекомендуемым соотношением сторон. В карточке также описаны возможности базового генератора Qwen-Image-2.1, включая генерацию и редактирование изображений, однако это назначение данной PE-T2I модели не подтверждает. Лицензия указана как other; конкретные условия в доступных данных не раскрыты.

Realgar-v1.0 — модель генерации изображений на основе Stable Diffusion, разработанная p1atdev и построенная на WD 1.5 beta 3. Она предназначена для создания изображений по текстовым описаниям; автор отмечает, что модель лучше работает с короткими промптами и стремится давать стабильный результат без добавления «masterpiece, best quality». В примере показана генерация изображения 512×768 с возможностью увеличения разрешения через highres fix. Модель поддерживает аниме-эстетику, а с подходящими промптами может создавать и изображения в реалистичном стиле. Длинные промпты и некоторые специальные концепции могут отрабатываться хуже. Для снижения артефактов рекомендуется использовать негативный промпт; чтобы уменьшить вероятность изображений с наготой, автор советует добавить соответствующие негативные токены. Для работы рекомендуется VAE от WD 1.4. Репозиторий использует формат Diffusers, PyTorch и safetensors; лицензия указана как other, конкретные условия в предоставленных данных не раскрыты.

Fredithefish/RedPajama-3B-Chat-SDPromptGenInstruct-merged — языковая модель на 3,5 млрд параметров, дообученная на наборе инструкций для создания промптов Stable Diffusion. Она принимает текстовый запрос с описанием желаемой сцены и генерирует текстовый промпт с подходящими визуальными деталями и стилевыми характеристиками. Модель основана на архитектуре GPT-NeoX, работает с текстом и имеет контекстное окно 2048 токенов. В карточке приведён англоязычный пример запроса и сгенерированного промпта. Модель предназначена для подготовки текстовых описаний изображений для Stable Diffusion и подобных генераторов. Репозиторий содержит веса в форматах PyTorch и Safetensors и распространяется по лицензии Apache-2.0. README указывает, что модель является объединённой (merged), но не сообщает, какие именно модели были объединены.

Reliberate — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Репозиторий содержит веса в формате Diffusers и Safetensors; модель предназначена для создания иллюстраций по промптам. В карточке приведён пример запроса на изображение антропоморфной свиньи-программиста с ноутбуком в ярком, забавном стиле. Модель относится к семейству Stable Diffusion и использует библиотеку Diffusers. Метки карточки указывают на общие, аниме- и художественные изображения. Лицензия CC BY-NC-ND 4.0 требует указания авторства и запрещает коммерческое использование и распространение производных материалов. Подробные сведения о размере модели и длине контекста в доступных данных отсутствуют.

SomethingV2.2 — модель латентной диффузии для генерации изображений в аниме-стиле по текстовому описанию, опубликованная NoCrypt. Она создана слиянием SomethingV2.1 и промежуточной модели dpepsili с помощью MBW, после чего в веса встроили VAE Blessed2. В README рекомендуются Clip Skip 2, sampler DPM++ 2M Karras и CFG Scale около 7; для повышения детализации автор советует использовать hires fix. Модель рассчитана прежде всего на англоязычные промпты и выдаёт изображения. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Лицензия — CreativeML OpenRAIL-M; она разрешает использование с соблюдением условий лицензии и ограничений на применение. README не приводит размер модели или длину контекста.

SwimInLatent — модель генерации изображений на основе Stable Diffusion XL, дообученная для создания аниме-изображений. Она принимает текстовые запросы и предназначена для генерации иллюстраций в аниме-стиле; в карточке также приведён пример рабочего процесса для ComfyUI. Репозиторий использует библиотеку Diffusers и формат safetensors. Модель опубликована под лицензией OpenRAIL++. Пример запроса показывает управление композицией и деталями персонажа с помощью текстового промпта и отрицательного промпта. В примере исключается контент NSFW, но это настройка примера, а не гарантия поведения модели.

gzeskas/test-model-upload-1 — модель генерации изображений по текстовому описанию, опубликованная на Hugging Face. Метаданные относят её к семейству Stable Diffusion и указывают на применение для создания художественных и аниме-изображений; репозиторий содержит веса в формате Diffusers/PyTorch и Safetensors. Модель принимает текстовые запросы на английском языке и создаёт изображения. Лицензия указана как «other», поэтому условия использования следует уточнить на странице репозитория. README не содержит сведений о разработчике, размере модели, контексте или проверенных ограничениях качества.

Карточка модели bczhou/TinyLLaVA-2.0B на Hugging Face совпадает с карточкой bczhou/TinyLLaVA-1.5B, поэтому описание составлено по ней. TinyLLaVA-1.5B — компактная мультимодальная модель для диалога по изображениям из семейства TinyLLaVA, разработанного авторами проекта TinyLLaVA. Она сочетает визуальный модуль с языковой моделью TinyLlama и предназначена для ответов на вопросы об изображениях, их описания и других сценариев визуального диалога. В карточке указаны около 1 млрд параметров, плотная архитектура TinyLlavaLlamaForCausalLM и контекст 2048 токенов; модель принимает изображения и текст, а генерирует текст. В README приведены результаты оценки на наборах LLaVA-Bench-Wild, MME, MMBench, MM-Vet, SQA-image, VQA-v2, GQA и TextVQA. Модель обучалась с использованием данных LLaVA и ShareGPT4V, включая наборы для предварительного обучения и инструкционного дообучения. Метаданные отмечают английский и китайский языки. Репозиторий содержит веса Safetensors и распространяется по лицензии Apache-2.0. Компактный размер удобен для исследовательских и прикладных экспериментов с визуальными вопросами и ответами, но доступные результаты показывают более скромные показатели версии 1.5B по сравнению с более крупными вариантами TinyLLaVA; языковое покрытие и качество за пределами оценённых сценариев могут быть ограничены.

Vividic Anime — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Она построена на Stable Diffusion и распространяется в формате Diffusers с весами Safetensors; в модель встроен VAE MoistMixV2. В карточке приведён пример промпта для создания детализированного изображения персонажа в аниме-стилистике. Модель предназначена для создания аниме-иллюстраций по текстовым промптам. Метаданные указывают лицензию CreativeML OpenRAIL-M. Сведений о размере модели, контекстном окне и поддерживаемых языках в доступных источниках нет.

Nilaier/Waifu-Diffusers — конвертированная версия Waifu Diffusion v1.4 Float32 Booru 110k с VAE для библиотеки Diffusers. Модель дообучена на базе Stable Diffusion 2.1 на 110 тысячах изображений в аниме-стиле из набора Danbooru2021; при обучении применялось группирование изображений по соотношению сторон, чтобы улучшить работу с разными разрешениями. Модель предназначена для генерации изображений в аниме-стиле по текстовым запросам. В карточке приведены проверки качества и стиля, а также тесты с пейзажами, нестандартными и длинными разрешениями. Репозиторий содержит веса в формате Diffusers/PyTorch; лицензия в метаданных обозначена как unknown.