I.8Изображения и компьютерное зрение

Kohaku XL Zeta — модель генерации изображений по тексту на базе Stable Diffusion XL, разработанная KBlueLeaf как дообучение Kohaku-XL-Epsilon-rev2. Она предназначена прежде всего для создания аниме- и иллюстративных изображений по тегам и описаниям на естественном языке; оба вида подсказок можно сочетать. Автор отмечает улучшенную передачу стиля и персонажей, более устойчивую генерацию и поддержку длинных подсказок, хотя подробный промпт не обязателен. Модель обучена на объединённом наборе примерно из 8,46 млн изображений Danbooru, Pixiv, PVC-фигурок и Realbooru. Для генерации рекомендованы разрешение около 1024×1024, CFG 3,5–6,5 и 12–50 шагов. Используется архитектура Stable Diffusion XL; модель распространяется в форматах Diffusers/PyTorch и Safetensors. Карточка задаёт лицензию как other, не приводя в предоставленных данных конкретных условий использования.

Felt Craft Diorama — стилевой LoRA-адаптер для генерации изображений, разработанный ilkerzgi в рамках серии Krea 2 Style LoRA, обученной на платформе fal.ai. Модель предназначена для использования с базовой моделью krea/Krea-2-Turbo и добавляет к текстовым запросам визуальную стилистику диорамы из фетра и поделочных материалов. Для активации рекомендуется добавлять в конец запроса триггерную фразу «felt craft diorama style». Возможные сценарии включают создание иллюстраций, концепт-артов и декоративных сцен с эффектом ручной текстильной миниатюры. Модель относится к pipeline text-to-image и совместима с Diffusers и ComfyUI. Рекомендуемый масштаб LoRA составляет 1.0–1.25. В репозитории доступны веса в формате SafeTensors для fal.ai и Diffusers, а также совместимая версия для ComfyUI. В README не указаны точный размер адаптера, поддерживаемые языки запросов, максимальная длина контекста и характеристики исходной архитектуры Krea-2-Turbo; приведённый английский язык относится к метаданным и примерам. Ограничением является зависимость от базовой модели Krea-2-Turbo и необходимость подбора масштаба для нужной интенсивности стиля. Для использования указана Krea 2 Community License; подробные условия приведены по ссылке на лицензию в репозитории. LoRA обучалась с помощью fal-ai/krea-2-trainer на 100 шагах с learning rate 3.5e-4, однако эти параметры описывают процесс обучения и не являются обязательными для инференса.

Krea-2-LoRA-rainywindow — адаптер LoRA для генерации изображений из текста, разработанный для моделей семейства Krea 2. Он предназначен для использования с базовой моделью krea/Krea-2-Turbo и добавляет визуальный стиль «rainy window», имитирующий сцену или изображение через дождливое окно. Для активации стиля используется триггерная фраза «rainy window style». Адаптер обучен на krea/Krea-2-Raw, а его веса доступны в файле rainywindow.safetensors. Модель подходит для создания художественных изображений по текстовым описаниям: пейзажей, персонажей, сцен с животными, архитектуры и сюжетных композиций. В README указано, что демонстрационные изображения были сгенерированы на Krea-2-Turbo за 8 шагов с guidance scale 0.0 и весом LoRA 1.0. Поддерживается библиотека Diffusers и pipeline Krea2Pipeline. Язык указан как английский; сведения о размере модели, максимальном контексте, дополнительных модальностях и точных ограничениях использования не приведены. Для работы требуется совместимая базовая модель Krea-2-Turbo. Лицензия обозначена как krea-2-community-license.

teowu/llava_v1.5_7b_qinstruct_preview_v0.1 — предварительная версия мультимодальной модели LLaVA, связанной с проектом Q-Instruct и авторами исследования «Q-Instruct: Improving Low-level Visual Abilities for Multi-modality Foundation Models». Это незавершённые веса, предназначенные для изучения и оценки возможностей визуальных языковых моделей в задачах восприятия изображений низкого уровня. Модель имеет плотную архитектуру LlavaLlamaForCausalLM на базе LLaVA и содержит 6,6 млрд параметров. Она принимает изображения и текстовые инструкции и генерирует текстовые ответы; заявленный контекст — 4096 токенов. В карточке указаны датасеты Q-Instruct и LLaVA-Instruct-150K, формат PyTorch и лицензия Apache-2.0. Английский указан среди языков карточки. Поскольку это preview с незавершёнными весами, качество и стабильность результатов могут быть ограничены; для ответственных прикладных сценариев модель следует предварительно оценить.

John6666 опубликовал модель генерации изображений по текстовому описанию на базе Stable Diffusion XL. Репозиторий использует Diffusers и формат Safetensors; карточка Hugging Face помечает модель как реалистичную и фотореалистичную, для общего использования и с чувствительным контентом. Модель предназначена для создания изображений по текстовым запросам, в том числе изображений для взрослых. В метаданных указан английский язык. Лицензия — CreativeML OpenRAIL-M. Оценки качества, конкретные параметры генерации и точные характеристики базового чекпойнта в использованных источниках не приведены.

MeinaMix V10 — модель генерации изображений по текстовому описанию, созданная автором Meina. Она рассчитана на создание художественных изображений, особенно в аниме-стиле, и призвана давать выразительный результат при коротких промптах. Модель использует Stable Diffusion и запускается через Diffusers; веса доступны в форматах Diffusers и safetensors. Для портретов автор рекомендует разрешения 512×768 или 512×1024, для пейзажей — 768×512, 1024×512 или 1536×512. В рекомендациях также приведены настройки сэмплеров Euler a и DPM++ SDE Karras, CFG 7 и Clip Skip 2; для удалённых персонажей предлагается Hires.fix для повышения детализации лица и глаз. Модель распространяется бесплатно по лицензии CreativeML OpenRAIL-M. Качество результата зависит от промпта и настроек генерации; для некоторых композиций автор советует дополнительное увеличение разрешения. Сведения о числе параметров и длине контекста в доступных материалах отсутствуют, что типично для модели генерации изображений.

messy_sketch_art_style — модель генерации изображений на основе Stable Diffusion, обученная методом DreamBooth apurik-parv с использованием реализации DreamBooth Shivamshri Rao. Она предназначена для создания скетчей и дудлов в небрежном художественном стиле по текстовому описанию; триггерное слово стиля — meartsty. Обучение проводилось в течение 50 000 шагов. Простые запросы, согласно карточке, воспроизводят стиль лучше, а сложные и противоречивые могут добавлять в изображение шум. Репозиторий содержит веса в форматах Diffusers и PyTorch; лицензия — CreativeML OpenRAIL-M.

NovelAI Diffusion Anime V2 — модель генерации изображений в стиле аниме, разработанная NovelAI на основе Stable Diffusion 1.5. Репозиторий содержит компоненты UNet и VAE в форматах Diffusers и Safetensors; для полного запуска README рекомендует добавить остальные компоненты из исходной Stable Diffusion 1.4. Модель обучалась с текстовыми эмбеддингами предпоследнего слоя CLIP, поэтому в зависимости от программы вывода может потребоваться CLIP skip 2. Модель предназначена для создания аниме-иллюстраций по текстовым запросам и поддерживает разрешение около одного мегапикселя, включая 832×1216, 1024×1024 и 1216×832. Это более ранняя версия модели NovelAI. Условия выпуска — исследовательское и личное использование; указана лицензия other. Классический чекпойнт CKPT также доступен, но разработчик не проверял его корректность.

NONAMEmix-Vpred_v2 — диффузионная модель генерации изображений по текстовому описанию на базе Stable Diffusion XL. Автор указывает, что чекпойнт использует v-prediction, а 99% его основы составляет RouWei 0.7. Модель предназначена для промптов в стиле тегов Booru; в README приведены рекомендуемые настройки генерации: CFG 3–5, 28 шагов и сэмплер Euler a. Модель собрана слиянием RouWei 0.7 vpred, CyberRealistic XL, SDXL Base 1.0, LoRA SPO-SDXL_4k-p_10ep и собственной LoRA автора, обученной на 300 изображениях, созданных ИИ. Репозиторий использует Diffusers и формат safetensors. README указывает лицензию Fair AI Public License 1.0-SD; проверьте её условия перед использованием и распространением результатов.

NoobAI XL NAI XL EpsilonPred 11 version SDXL — дообученная модель генерации изображений по текстовым запросам, созданная L_A_X на основе Laxhar/noobai-XL-1.1. Она предназначена для создания аниме-изображений, персонажей и стилизованных иллюстраций. Модель рассчитана на работу с Diffusers; веса доступны в формате safetensors. В метаданных указана лицензия other без конкретизации условий. Модель обучалась на наборах изображений Danbooru 2023, Danbooru 2024 и e621 2024. Карточка не содержит подробностей о размере модели, контекстном окне или конкретных ограничениях качества.

NoobAI XL V-Pred 0.9r — диффузионная модель генерации изображений по тексту от Laxhar Lab, дообученная на базе Laxhar/noobai-XL_v1.0. Она обучена на изображениях Danbooru и e621 с тегами и текстовыми описаниями и ориентирована на создание иллюстраций в соответствующих стилях. Модель использует предсказание v-prediction и рассчитана на запуск через reForge, ComfyUI, WebUI или Diffusers. В README рекомендованы сэмплер Euler, CFG 4–5, 28–35 шагов и разрешения около миллиона пикселей, включая 832×1216 и 1024×1024; другие сэмплеры могут работать некорректно. Репозиторий содержит форматы Diffusers и safetensors. Лицензия указана как other; README запрещает коммерческое использование и требует открывать производные модели и материалы по fair-ai-public-license. Модель может создавать нежелательные или вредные изображения, а ветка dev для WebUI описана как нестабильная.

Flippd Pinball Vision — Score Extraction — это локальный конвейер компьютерного зрения для чтения числовых счётов на фотографиях дисплеев пинбольных автоматов. Модель разработала Flippd. Конвейер состоит из детектора областей счёта на базе YOLO11s и CTC-распознавателя цифр на 8 млн параметров; оба компонента поставляются в формате ONNX и запускаются через ONNX Runtime. Изображение подаётся на вход, а результатом становятся упорядоченные по уверенности варианты счёта длиной от одной до двенадцати цифр. Модель предназначена для извлечения счёта с фотографий дисплеев: например, для каталогизации игровых результатов или автоматизации ввода счёта после проверки человеком. Обработка выполняется локально при запуске согласно README; CPU поддерживается по умолчанию, также описан запуск на CUDA. В README приведены результаты оценки на тестовой выборке: строгая точность top-1 — 77,97%, попадание правильного результата в список — 87,23%, наличие правильного результата среди показанных — 94,59%; качество на других изображениях может отличаться. Распознавание может быть ошибочным или не дать результата при бликах, размытии, наклонном ракурсе, перекрытии, низком разрешении, необычных дисплеях, анимации и других отличающихся от обучающих данных условиях. Уверенность служит сигналом ранжирования и не гарантирует правильность, поэтому для значимых случаев необходима проверка человеком. Репозиторий закрыт по запросу доступа; README указывает, что требуется принять лицензию, но конкретные условия лицензии в предоставленных данных не раскрыты.

PubMed-Ophtha CLIP ViT-L-14 — модель компьютерного зрения и языка для офтальмологических изображений, разработанная авторами работы «Scientific Domain Knowledge Improves Vision-Language Fundus Models» и дообученная на научной литературе PubMed-Ophtha. Она сопоставляет изображения глазного дна с текстовыми описаниями и предназначена для zero-shot классификации и исследований поиска и представления офтальмологических изображений. Визуальный энкодер — ViT-L/14 с размером входного изображения 224×224 пикселя; текстовый энкодер — 12-слойный трансформер OpenCLIP с контекстом 77 токенов, размерность эмбеддингов — 768. Модель инициализирована весами OpenAI CLIP и обучена на 96 916 парах изображение–текст из PubMed-Ophtha. В README приведены результаты на 110 клинических задачах из шести наборов данных изображений глазного дна; авторы сообщают о преимуществе доменного обучения над рядом альтернативных источников данных. Этот выпущенный чекпойнт отличается от использованных в таблицах статьи и обучен на большем объёме данных. Модель предназначена для исследований, не валидирована для диагностики и не должна применяться при оказании медицинской помощи. Лицензия — MIT.

Qwen-Image-Edit-2511-Noir-Comic-Book-Panel — адаптер LoRA, разработанный prithivMLmods для модели Qwen/Qwen-Image-Edit-2511. Он предназначен для задач image-to-image и преобразует исходные изображения в отдельные кинематографичные панели в стилистике нуарного комикса. Модель делает акцент на контрастной чёрно-белой тушёвке, грубых иллюстрированных текстурах, глубокой светотени, резких бликах, дождливой атмосфере и выразительных силуэтах. Она ориентирована на визуальное повествование, драматичную композицию и сохранение ясности сцены. Для активации эффекта рекомендуется триггерный запрос «Transform into a noir comic book style». Размер модели, точная архитектура адаптера и максимальная длина контекста в README не указаны. Для запуска используется библиотека Diffusers; заявлена совместимость с версиями 2509 и 2511, а базовая модель поддерживает работу с CUDA и MPS. Адаптер сфокусирован на создании одной нуарной комикс-панели, поэтому его применение ограничено данным художественным стилем и зависит от возможностей базовой модели, исходного изображения и текстового запроса. Лицензия — Apache 2.0.

Raehoshi illust XL 8 — диффузионная модель генерации изображений по тексту, разработанная Raelina и дообученная на основе Illustrious XL v1.1. Она ориентирована на иллюстрации в стиле аниме; для составления запросов рекомендуется использовать теги в стиле Booru. Модель стремится уменьшить перенасыщенность цветов и артефакты исходной модели, сохраняя её сильные стороны. Улучшения заметны, но эти проблемы устранены не полностью. В README также приведены рекомендации по CFG, числу шагов, сэмплеру и настройке увеличения разрешения. Опубликована в форматах Diffusers и safetensors. Лицензия указана как other, поэтому условия использования следует сверять с лицензией репозитория.

Raena XL V2 — модель генерации изображений на основе SDXL, разработанная Raelina и дообученная на базе Animagine XL 4.0. Она предназначена для создания 2D-аниме-иллюстраций по текстовым запросам; для промптов рекомендуется стиль booru-тегов. Модель ориентирована на яркие цвета, чёткий лайнарт, согласованность изображений, проработку персонажей и высокую детализацию. Для генерации автор рекомендует CFG 5–6, 28 шагов и сэмплер Euler a; доступны настройки Hires.fix с апскейлером 4x_NMKD-YandereNeoXL. В качестве базовой модели используется Animagine XL 4.0. Модель опубликована в форматах Diffusers и safetensors; лицензия — CreativeML Open RAIL++-M. Карточка не сообщает ограничений помимо условий лицензии.

multimodalart/sd-fine-tunable — сборка Stable Diffusion v1.5 с VAE sd-vae-ft-mse и изменёнными конфигурационными файлами, подготовленная для тонкой настройки в FastDreambooth Colab Notebook и Dreambooth Training Space. Модель предназначена для обучения персонализированных генераторов изображений по текстовым запросам в этих средах. Репозиторий использует форматы Diffusers и PyTorch. Автор предупреждает, что сборка не подходит для инференса, а обучение в других средах выполняется на риск пользователя. Применяется лицензия CreativeML OpenRAIL-M; также следует учитывать лицензию исходной модели.

SuperCuteRemix — слитая модель Stable Diffusion для генерации изображений по текстовому описанию, опубликованная пользователем Yntec. README указывает, что SuperCuteRemixAlpha получена смешиванием DucHaitenSuperCute 1.0 и SuperCute, а SuperCuteRemix собрана из DucHaitenSuperCute 2.0 и DucHaitenSuperCute 1.0 с помощью SuperMerger. В карточке также отмечено, что более ранняя версия модели была переименована в SuperCuteRemixAlpha. Модель ориентирована на создание милых стилизованных изображений, в том числе персонажей и девушек в эстетике аниме, а также портретов и сцен с заданными художественными или фотографическими характеристиками. Примеры в карточке демонстрируют подробные промпты для управления композицией и стилем. Репозиторий содержит веса в формате Diffusers/PyTorch Safetensors; лицензия — CreativeML OpenRAIL-M.

SynthwavePunk-v2 — модель преобразования текста в изображение, созданная JustMaier. Это слияние в пропорции 50/50 моделей Synthwave и InkPunk для генерации изображений в сочетании этих стилей. В подсказках можно использовать ключевые слова «snthwve style» и «nvinkpunk», а также веса промпта, чтобы менять баланс между стилями. Модель рассчитана на генерацию изображений по текстовым описаниям в эстетике synthwave и InkPunk. Репозиторий содержит файлы Diffusers, PyTorch и SafeTensors. Лицензия — CreativeML OpenRAIL-M. Карточка не приводит сведений о размере модели, длине контекста или языковых ограничениях.

UIClip — мультимодальная модель BigLab на основе CLIP, предназначенная для оценки качества дизайна и соответствия описанию скриншотов пользовательских интерфейсов. Эта версия дообучена на парных примерах веб-интерфейсов с перефразированными текстовыми описаниями; метаданные указывают на объединение с UIClip и CLIP ViT-B/32 от OpenAI. Модель сопоставляет изображение интерфейса с текстом на английском языке и подходит для ранжирования вариантов дизайна, поиска интерфейсов по описанию и получения оценки визуальной релевантности. В публикации также описаны генерация рекомендаций по дизайну и применение оценок в генерации UI-кода, однако карточка не подтверждает, что эта версия самостоятельно генерирует текстовые рекомендации. Архитектура — двухэнкодерный трансформер в стиле CLIP; модель загружается через Transformers, веса представлены в формате safetensors. Лицензия — MIT. Оценки качества дизайна зависят от обучающих данных и не заменяют проверку удобства использования и доступности специалистами.

gagan3012/ViTGPT2_vizwiz — дообученная модель семейства VisionEncoderDecoder, опубликованная на Hugging Face. Она предназначена для генерации текстового описания по изображению и связана с задачей VizWiz, которая обычно включает вопросы по снимкам, однако карточка не описывает конкретный сценарий использования модели. В репозитории указаны формат PyTorch и оценочный loss 0,0719. Базовая модель, обучающие данные, поддерживаемые языки и ограничения не описаны, поэтому качество ответов и применимость к конкретным изображениям по карточке оценить нельзя. Лицензия в предоставленных данных не указана.

Yiffymix_V52-XL — совместимая с Diffusers версия модели Yiffymix v52 от chilon249 для генерации изображений по текстовому описанию. Она построена на SDXL-Lightning и распространяется в формате Diffusers с весами safetensors; доступен вариант FP16. Для генерации рекомендуется использовать примерно 12–25 шагов и guidance scale 4–6; в README также рекомендован clip skip 2. Для этой версии указан метод сэмплирования DPM++ 2M Karras. Модель предназначена для творческих и художественных задач. Лицензия — OpenRAIL++; README дополнительно ограничивает использование творческими и художественными целями и запрещает применение с намерением причинить вред.

AbyssHellVer3 — модель генерации изображений по текстовому описанию, созданная путём слияния AbyssOrangeMix2, JK Style 0.27, Helltaker 0.2 и HeroAcademia 0.2. Репозиторий опубликован пользователем AIARTCHAN; файлы доступны в форматах Diffusers, PyTorch и Safetensors, включая вариант FP16 размером 2,13 ГБ. Модель предназначена для создания изображений по текстовым запросам в художественных стилях, связанных с объединёнными моделями. Карточка не сообщает о размере архитектуры и длине контекста. Лицензия — CreativeML OpenRAIL-M; условия лицензии следует учитывать при использовании и распространении сгенерированных материалов.

Alex's-One-Line-Art — модель text-to-image в формате Diffusers/PyTorch, обученная Alexwww методом DreamBooth на коллекции работ @alexwoodesign. Она предназначена для генерации изображений по текстовым запросам в стиле рисунка одной непрерывной линией; автор рекомендует начинать запрос с фразы «One line art drawing of...». Модель основана на Stable Diffusion и опубликована под лицензией CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

Amanatsu Illustrious v11 SDXL — модель генерации изображений по текстовому описанию, опубликованная John6666; на карточке указано, что исходная модель создана Ikena. Это дообученная модель на основе OnomaAIResearch/Illustrious-xl-early-release-v0, использующая Stable Diffusion XL и библиотеку Diffusers. Репозиторий содержит веса в формате safetensors и имеет лицензию faipl-1.0-sd. Модель ориентирована на создание детализированных изображений в аниме-стиле, включая персонажей, девушек и фоны; среди отмеченных особенностей — проработка глаз. Для генерации подаются текстовые запросы на английском языке. Карточка указывает размер около 3 млрд параметров. Подходит для иллюстраций и персонажных артов; качество и точное следование запросу зависят от промпта и настроек генерации.

Analog-Diffusion — модель генерации изображений по текстовому описанию, созданная wavymulder. Это DreamBooth-дообучение Stable Diffusion 1.5 с VAE на наборе разнообразных аналоговых фотографий; для выраженного стиля автор рекомендует добавлять в запрос токен «analog style». Модель предназначена для создания изображений с эстетикой аналоговой фотографии. Автор отмечает, что отрицательные подсказки «blur» и «haze» могут повысить резкость, но ослабить плёночный эффект. Также он предупреждает о склонности модели к откровенным изображениям и предлагает использовать «naked» в отрицательной подсказке; обучающий набор, по словам автора, не содержал материалов NSFW. Модель распространяется по лицензии CreativeML OpenRAIL-M.

baruga/ancient-maps — модель Stable Diffusion, дообученная автором на 100 старинных и древних картах для DreamBooth Hackathon. Она предназначена для создания изображений карт по текстовому запросу: например, можно описать карту вулканического острова, города, сада, пещерной системы, планеты или зодиакальной схемы. Для вызова темы в запросе README рекомендует формулировку «a photo of ancma map of …»; результат можно настраивать дополнительными и отрицательными запросами. Модель распространяется в формате Diffusers/PyTorch по лицензии CreativeML OpenRAIL-M. Карточка не сообщает другие сведения об ограничениях применения или качестве результатов.

Animagine XL 2.0 — диффузионная модель генерации изображений по тексту, разработанная Linaqruf и дообученная на базе Stable Diffusion XL 1.0 на наборе аниме-изображений. Она предназначена для создания детализированных иллюстраций в аниме-стилистике по текстовым описаниям; для более точного управления результатом рекомендуются теги в стиле Danbooru. Модель распространяется в форматах Diffusers и Safetensors и поддерживает разные соотношения сторон, включая квадратные и портретные изображения. Модель особенно подходит для создания персонажей и сцен в эстетике аниме, в том числе связанных с Genshin Impact и Honkai. Она склонна к единому стилю, может ошибаться при изображении кистей и стоп и хуже подходит для фотореализма и запросов обычным естественным языком. Разработчик указывает лицензию CreativeML Open RAIL++-M; метаданные Hugging Face обозначают её как OpenRAIL++.

ArtiWaifu Diffusion 1.0 — модель генерации изображений по текстовому запросу, разработанная Euge при финансировании Neta.art. Это дообученная версия Stable Diffusion XL Base 1.0, обученная на отобранном наборе из 1,5 млн аниме-изображений; модель специализируется на иллюстрациях в аниме-стиле и распознаёт множество художественных стилей и персонажей, используя текстовые триггеры. Модель предназначена для создания аниме-иллюстраций с узнаваемыми персонажами и стилями, а также сцен с несколькими персонажами. В README рекомендуются промпты в виде тегов, разделённых запятыми, и разрешение около 1024×1024; качество результата чувствительно к точному написанию и порядку тегов. Для сцен с несколькими персонажами автор отмечает нестабильность. Указана лицензия Fair AI Public License 1.0-SD.

Colorjizz-512px v.1.0 — модель генерации изображений по текстовому описанию для Stable Diffusion 1.5. Она создана на основе 130 обучающих изображений разрешением 512 пикселей и обучалась 8000 шагов; текстовая часть обучения составляла 30%. Концепт разработан с разрешения автора изображений, вдохновлённых работами Destiny K. Модель предназначена для создания изображений в стиле Colorjizz по текстовым запросам. В README рекомендуется версия Colorjizz-768px для более высокого разрешения. Модель распространяется по лицензии CreativeML OpenRAIL-M; условия лицензии следует учитывать при использовании и распространении сгенерированных изображений.