I.8Изображения и компьютерное зрение

Comic-Diffusion — модель преобразования текста в изображение на базе Stable Diffusion, созданная автором ogkalu. Она предназначена для создания иллюстраций для комиксов и позволяет смешивать стили с помощью токенов charliebo artstyle, holliemengert artstyle, marioalberti artstyle, pepelarraz artstyle, andreasrocha artstyle и jamesdaly artstyle. Порядок токенов тоже может влиять на результат, поэтому можно экспериментировать с их сочетаниями. Модель создана в ходе экспериментов автора с DreamBooth; README описывает V2 как обучение на шести стилях одновременно. Вариант V1 был обучен на стиле James Daly 3 и использует токен comicmay artsyle. Лицензия — CreativeML Open RAIL-M. Авторы упомянутых художественных стилей, согласно карточке, не связаны с проектом.

Conflictx/Complex-Lineart — модель для генерации изображений по текстовому описанию в стиле ComplexLA. README сообщает, что она обучена примерно на 100 изображениях с разрешением 768×768 и рекомендует добавлять к запросу фразу «ComplexLA style». Модель предназначена для создания стилизованных изображений; для лучшего качества рекомендуется разрешение около 768×768, при меньшем разрешении качество может снижаться. Распространяется по лицензии CreativeML OpenRAIL-M.

Counterfeit — модель генерации изображений в аниме-стиле на основе Stable Diffusion. В карточке приведены примеры промптов для создания детализированных изображений персонажей и рекомендуемые параметры генерации: 28 шагов, сэмплер Euler a, CFG scale 12 и размер 640×960 пикселей. Модель предназначена для преобразования текстовых описаний в изображения, в частности для создания аниме-персонажей. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M; она предусматривает условия использования и ограничения, с которыми следует ознакомиться перед применением модели.

Counterfeit-V2.5 — модель генерации изображений в стиле аниме, опубликованная gsdf. Она предназначена для создания иллюстраций по текстовым описаниям; в карточке приведён пример изображения девушки в кимоно с осенними листьями и указаны параметры генерации для Stable Diffusion. Модель распространяется в форматах Diffusers, PyTorch и safetensors и использует лицензию CreativeML OpenRAIL-M. Автор рекомендует применять embedding EasyNegative в негативном запросе; README также отмечает, что предыдущая версия V2.2 была ориентирована на NSFW-контент, но не характеризует так версию V2.5.

emoji-diffusion — модель генерации изображений на основе Stable Diffusion, дообученная на наборе данных russian-emoji. Она предназначена для создания изображений эмодзи по текстовым запросам и может использоваться как Stable Diffusion через библиотеку Diffusers. Подходит для развлечений и помощи при создании генеративного искусства. Модель принимает текст и выдаёт изображения. В метаданных указаны английский язык и лицензия BigScience BLOOM RAIL 1.0. Карточка не сообщает размер модели или длину контекста.

digiplay/fantasticmix_v65_test — модель преобразована в формат Diffusers и предназначена для генерации изображений по текстовому запросу. Автор карточки сообщает, что это его любимая модель и указывает на исходную аниме-модель автора michin, однако идентификатор исходной модели и сведения о разработчике самой базовой модели не приведены. Модель опубликована в форматах Diffusers, PyTorch и Safetensors; метаданные указывают лицензию other. Карточка описывает её как аниме-модель, но не приводит размер, архитектурные подробности, поддерживаемые языки или длину контекста.

FantasyMix — модель генерации изображений по текстовому описанию, опубликованная theintuitiveye. Она предназначена для создания иллюстраций в жанре фэнтези и, согласно карточке, может генерировать контент для взрослых. Модель использует Stable Diffusion и запускается через библиотеку Diffusers; репозиторий содержит веса в форматах PyTorch и safetensors. FantasyMix получена слиянием дообученной на примерно 500 изображениях фэнтези модели с Protogen. В README рекомендуется использовать VAE от Stability AI для улучшения результатов. Модель распространяется по лицензии CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении сгенерированных изображений.

Illustrous Manga Lora — это LoRA-модель для генерации изображений по текстовому описанию, предназначенная для использования с diffusion-моделями и библиотекой Diffusers. Она создана на базе OnomaAIResearch/Illustrious-xl-early-release-v0 и, согласно README, ориентирована на передачу стилистики манги в изображениях. Авторство разработчика в карточке не заявлено: указано, что модель не принадлежит владельцу репозитория, а исходное описание ссылается на страницу модели на Civitai. Модель предназначена для сценариев text-to-image, где требуется получить визуальный стиль манги на основе текстового промпта. Технические характеристики LoRA, включая размер адаптера, точный триггер, рекомендуемый вес, поддерживаемые языки, максимальный контекст и результаты сравнительного тестирования, в README не указаны. Также отсутствуют подробности о сильных сторонах и ограничениях, поэтому их нельзя достоверно оценить по имеющимся данным. Лицензия модели указана как Apache-2.0. Для использования потребуется совместимая базовая diffusion-модель, в частности заявленная Illustrious XL Early Release, а также программное обеспечение или интерфейс, поддерживающий подключение LoRA.

JANKU Trained + Chenkin & NoobAI + RouWei Illustrious XL v7.77 — модель для генерации изображений по текстовому запросу, размещённая LillyCherry. В README указаны автор исходной модели janxd и базовая модель Illustrious; карточка описывает репозиторий как простую конверсию safetensors в формат diffusers. Модель предназначена для создания изображений по текстовым описаниям. README рекомендует Euler или Euler A, 25–30 шагов, CFG 3–5, планировщик Normal, Simple или SGM Uniform и Clip Skip 2. Репозиторий содержит веса safetensors для использования с diffusers. Лицензия указана как other, без уточнения её условий в предоставленных данных.

Lorin — адаптер LoRA для генерации изображений по текстовому описанию, разработанный пользователем или организацией AmericanoLatte. Модель предназначена для использования с базовой моделью krea/Krea-2-Turbo в сценариях text-to-image, включая создание портретных изображений и других визуальных материалов по промптам. Для активации адаптера в промпт необходимо добавлять триггерное слово «Lorin». В README указано, что это обычная LoRA для Diffusers; сведения о размере адаптера, точной архитектуре, параметрах масштабирования, поддерживаемых языках и ограничениях контекста не предоставлены. Пример применения демонстрирует запрос «Portrait photo». Модель удобна для добавления характерного визуального эффекта или стиля Lorin к возможностям Krea-2-Turbo без замены базовой модели. При этом качество и область применения зависят от базовой модели, настроек LoRA и корректного использования триггерного слова. Модель распространяется по лицензии MIT.

GoodBaiBai88/M3D-LaMed-Llama-2-7B — мультимодальная модель для анализа трёхмерных медицинских изображений из проекта M3D. Семейство M3D-LaMed использует предварительно обученный визуальный энкодер M3D-CLIP и языковую модель Llama 2; этот вариант содержит 6,6 млрд параметров, поддерживает контекст до 4096 токенов и опубликован в формате safetensors. Модель предназначена для медицинского анализа 3D-изображений: генерации отчётов, ответов на визуальные вопросы, поиска по парам изображение–текст, позиционирования и сегментации. README сообщает, что в прежней версии были проблемы с сегментацией, которые разработчики планировали исправить в следующем выпуске, поэтому результаты этой задачи могут быть ненадёжны. В метаданных указан pipeline text-generation, тогда как описание проекта подтверждает мультимодальный медицинский сценарий. Модель распространяется по лицензии Apache-2.0.

Mala Anime Mix NSFW Pony XL v5 SDXL — модель преобразования текста в изображение, опубликованная пользователем John6666 на Hugging Face. Модель предназначена для генерации изображений по текстовым описаниям в стилистике anime и Pony, включая контент для взрослой аудитории. Модель работает через diffusers с конвейером StableDiffusionXLPipeline и относится к семейству Stable Diffusion XL. Она ориентирована на создание иллюстраций и персонажей по промптам; поддерживаемые языки и размер модели в доступных данных не указаны. Исходная модель размещена на Civitai. Модель распространяется по лицензии faipl-1.0-sd, обозначенной в карточке как other. Следует учитывать возрастные ограничения и условия указанной лицензии перед использованием или публикацией сгенерированных изображений.

ShadoWxShinigamI/midjourney-graffiti — модель генерации изображений в стиле граффити, разработанная пользователем ShadoWxShinigamI. Это текстово-изобразительная модель на базе Stable Diffusion, предназначенная для переноса характерного стиля на изображения по текстовым запросам. Для активации стиля в запрос можно добавить токен «mdjrny-grfft» или фразу «in the style of mdjrny-grfft»; автор отмечает, что полная фраза может давать более подходящий результат. Модель принимает текстовые подсказки и генерирует изображения. В примерах показаны портреты людей и вымышленных персонажей, животные, птицы и предметы. Для предметов результаты менее надёжны, поэтому может потребоваться отбор нескольких вариантов. Карточка сообщает, что модель обучена с использованием Fast Method из репозитория TheLastBen и предназначена для работы через diffusers. Лицензия — MIT.

MIDNIGHT_NAI-XL_vPredV1 — диффузионная модель для генерации изображений по тексту, созданная как специализированное дообучение Laxhar/noobai-XL-Vpred-1.0 на базе SDXL 1.0. Она ориентирована на аниме-иллюстрации и призвана улучшать анатомическую точность, согласованность композиции и сочетание художественных стилей, сохраняя яркие цвета без чрезмерной экспозиции. Модель рассчитана на создание изображений в ComfyUI, reForge, AUTOMATIC1111 и Diffusers. Для неё рекомендованы семплер Euler (normal), режим V-prediction с ModelSamplingDiscrete и ZsNR, а также CFG в диапазоне 3–4, предпочтительно 3,5; другие семплеры могут давать нестабильные результаты. В карточке также приведены списки тегов художников и персонажей e621 и Danbooru для составления промптов. Модель распространяется в формате safetensors по лицензии CreativeML Open RAIL++-M.

moeFussion — модель генерации изображений по текстовому описанию из проекта Moe Diffusion. Авторская карточка описывает цель проекта как улучшение генерации персонажей в стиле moe и аниме. Модель предназначена для создания иллюстраций по тегам и обычным текстовым промптам; автор рекомендует использовать длинные промпты и указывает типичный размер изображения 832×1144. Для версии 3.0 заявлены база Anima v1, улучшенная анатомия, меньший размер модели и лучшее следование промпту. В карточке также описаны более ранние варианты на базах Stable Diffusion 2.1, Pony XL, SDXL и Illustrious, поэтому точная база зависит от версии чекпойнта. Модель работает в библиотеке Diffusers; файлы представлены в форматах PyTorch и Safetensors. Она ориентирована на аниме-иллюстрации, персонажей и фэнтезийные сцены, а не на фотореализм. Для запуска автор приводит настройки сэмплера и CFG, а для отдельных версий рекомендует ComfyUI или SwarmUI. Лицензия — CreativeML OpenRAIL-M. Качество зависит от версии, промпта и настроек; в README отмечено, что короткие промпты могут давать результат хуже.

Nightmare Promptgen третьего поколения — языковая модель для генерации промптов InvokeAI, разработанная cactusfriend на основе архитектуры OpenELM от Apple. Она предназначена для создания текстовых описаний, которые можно использовать как промпты для генерации изображений в InvokeAI. Модель использует плотную causal language modeling архитектуру OpenELMForCausalLM и распространяется в формате Safetensors для Transformers. В карточке указана лицензия OpenRAIL. Размер модели, длина контекста и поддерживаемые естественные языки не приводятся.

NoobAI XL 0.77 — диффузионная модель генерации изображений по тексту, разработанная Laxhar Lab. Она основана на Illustrious-xl и является дообученной версией NoobAI XL 0.75; в README также указана исходная модель OnomaAIResearch/Illustrious-xl-early-release-v0. Для обучения использовались датасеты Danbooru и e621 с теговыми подписями, поэтому модель ориентирована на стилизованную иллюстрацию и запросы в формате тегов. Рекомендуемые параметры генерации: CFG 5–6, 25–30 шагов, сэмплер Euler a и площадь изображения около 1024×1024 пикселей; README приводит несколько подходящих соотношений сторон. Коммерческое использование модели, производных моделей и созданных с её помощью продуктов запрещено. Лицензия в метаданных обозначена как other, а README требует соблюдать fair-ai-public-license для производных работ. Модель может выдавать неожиданные или вредоносные результаты, и авторы возлагают риски использования на пользователя. Метка Hugging Face «not-for-all-audiences» указывает на потенциально чувствительный контент.

digiplay/pan04 — экспериментальная текстово-графическая модель, созданная как ремикс PerfectDeliberate-Anime_v1 и Noosphere_v4. Она предназначена для генерации изображений по текстовым запросам; в примерах показаны аниме-сцены, персонажи, фантастические мотивы и пейзажи. Модель опубликована в формате Diffusers с весами Safetensors. Автор помечает её как тестовую; лицензия указана как other, поэтому условия использования следует уточнить на странице модели. Сведений о размере, архитектуре, контексте и поддерживаемых языках карточка не содержит.

PVC v2 — модель генерации изображений на основе латентной диффузии, созданная p1atdev с помощью LoRA-дообучения Waifu Diffusion v1.4 epoch 2 на изображениях коллекционных PVC-фигурок. Она предназначена для создания иллюстраций в аниме-стиле по текстовым запросам, в том числе с тегами Danbooru. Для генерации автор рекомендует начинать запрос с тегов «masterpiece, best quality»; примеры используют 20 шагов, DPM++ 2M Karras и CFG 7. В версии 2 для обучения использовали 2110 изображений, разрешение 768×768 и сеть LoRA размерности 16. Модель принимает текст на английском языке и создаёт изображения. Доступны варианты весов checkpoint, safetensors и LoRA. Модель распространяется по лицензии CreativeML OpenRAIL-M.

AdaptLLM/remote-sensing-Qwen2.5-VL-3B-Instruct — мультимодальная модель AdaptLLM для анализа изображений дистанционного зондирования. Она создана постобучением Qwen2.5-VL-3B-Instruct на наборе remote-sensing-visual-instructions; архитектура соответствует базовой модели Qwen2.5-VL и содержит 3,1 млрд параметров. Модель принимает изображения и текстовые инструкции и формирует текстовые ответы в диалоге. Она предназначена для визуальных вопросов и ответов и других сценариев анализа данных дистанционного зондирования. Контекст составляет до 128 000 токенов; в инструкции изображение нужно размещать перед текстом. README описывает обучение в течение одной эпохи с learning rate 1e-5 и глобальным batch size 128. В метаданных указан английский язык. Для работы предусмотрена библиотека Transformers, веса опубликованы в формате safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Yntec/Roleplay — модель генерации изображений по текстовому описанию, созданная слиянием моделей Playground и a-ZovyaRPGV3. Она предназначена для создания цифровых иллюстраций, в том числе ролевых и фэнтезийных сцен, аниме и пиксель-арта; примеры также показывают персонажей и игровые интерфейсы. Репозиторий содержит веса в формате safetensors для библиотеки diffusers. Модель распространяется по лицензии CreativeML OpenRAIL-M.

Text2Earth — модель генерации изображений по текстовому описанию, опубликованная пользователем lcybuaa. Для запуска карточка рекомендует библиотеку Diffusers и приводит пример установки зависимостей. Репозиторий содержит веса в формате safetensors и использует конвейер Text2EarthDiffusionPipeline. Модель предназначена для создания изображений Земли по текстовым запросам. Репозиторий распространяется по лицензии Apache-2.0. Карточка не сообщает размер модели, поддерживаемые языки запросов, длину контекста или известные ограничения качества.

TreeVGR-7B-CI-i1-GGUF — квантизированная версия мультимодальной модели TreeVGR-7B-CI, разработанной HaochenWang и опубликованной в формате GGUF пользователем mradermacher. Модель предназначена для задач визуального ответа на вопросы, визуального заземления и визуального рассуждения по изображениям и текстовым запросам. В метаданных указан английский язык; поддержка других языков не заявлена. Модель основана на архитектуре Qwen, содержит около 7 млрд параметров и использует vision-компонент, для которого требуются отдельные mmproj-файлы из статического репозитория. В поставку входят imatrix-квантизации разных уровней, примерно от 2,0 до 6,4 ГБ: более компактные варианты экономят память, но могут заметно уступать по качеству, тогда как i1-Q4_K_M отмечен как быстрый и рекомендуемый, а i1-Q6_K — как близкий к статической квантизации Q6_K. Размер контекста и точный набор поддерживаемых модальностей в README не указаны. Сильными сторонами модели являются специализация на визуальных задачах, наличие вариантов для устройств с разным объёмом памяти и возможность запуска через экосистему GGUF. Ограничения включают потенциальную потерю качества при низких уровнях квантизации, необходимость совместимого мультимодального программного обеспечения и отдельного mmproj-файла, а также отсутствие заявленных сведений о контексте и результатах оценки. Модель распространяется по лицензии Apache-2.0.

SomethingV2.2 — модель генерации изображений в стиле аниме на основе латентной диффузии, созданная Inzamam567 как улучшенная версия SomethingV2. В карточке описаны настройки для генерации изображений по текстовым запросам; автор рекомендует Clip Skip 2, sampler DPM++ 2M Karras, CFG Scale около 7 и включение Hires fix. VAE Blessed2 встроен в модель. Модель получена слиянием SomethingV2_1 и промежуточной модели dpepsili с помощью MBW, после чего в результат встроен VAE Blessed2. Репозиторий доступен в форматах Diffusers, PyTorch и safetensors. Лицензия — CreativeML Open RAIL-M.

VBVR-Pro-Wan2.2-TI2V-5B-RLVLM-Qwen3.6-27B-Reward — дообученная методом обучения с подкреплением модель генерации видео по изображению из проекта VBVR-Pro. Она создана для исследований визуального рассуждения: модель получает изображение и формирует видео, позволяющее изучать задачи с пространственными и временными изменениями. Для обучения использовались награды от Qwen3.6-27B, оценивавшей видео по специальным критериям; веса этой модели-оценщика в репозиторий не входят и для инференса не нужны. Это полный чекпойнт Diffusers на базе Wan2.2 TI2V-5B. Репозиторий содержит трансформер, текстовый энкодер, токенизатор, VAE, планировщик и пользовательский конвейер с шестью конфигурациями инференса. В карточке рекомендуются видео 512 × 512 пикселей длительностью 81 кадр; приведённые результаты относятся к указанным настройкам оценки и не гарантируют качество на произвольных запросах. Модель выпущена под лицензией Apache-2.0. Модель предназначена прежде всего для экспериментального изучения генерации видео по изображению и визуального рассуждения. Она может создавать ошибочные или визуально непоследовательные траектории, а также наследует ограничения и возможные смещения базовой Wan2.2, обучающих данных и модели-оценщика. Генерация требует значительной памяти CPU и ускорителя; для небольших GPU рекомендуется выгрузка частей модели на CPU.

Waifu Diffusion — латентная диффузионная модель генерации изображений по тексту, созданная дообучением Stable Diffusion v1.4 на высококачественных аниме-изображениях. Модель предназначена для генеративного искусства и развлечений: по текстовому запросу она создаёт иллюстрации в аниме-стилистике. Для дообучения использовали 56 тысяч пар изображений и текстовых описаний из Danbooru, отобранных по оценке CLIP Aesthetic выше 6, обучение длилось четыре эпохи. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — BigScience BLOOM RAIL 1.0; проект не связан с Danbooru.

yumekawadiffusion — модель генерации изображений в стиле Yumekawaii, опубликованная teftef. Она предназначена для создания изображений по текстовым запросам; автор рекомендует использовать короткие промпты и отрицательный промпт для снижения дефектов лица, рук и общего качества. В карточке показаны результаты до и после дообучения Waifu Diffusion 1.4 e1, а также вариант с RoLA; эта версия описана как дообученная модель без LoRA. Для примеров автор приводит 28 шагов, CFG Scale 7.5, сэмплер Euler a и размер 512×768. Метаданные указывают на StableDiffusionPipeline и форматы Diffusers/PyTorch. Карточка содержит языковые теги японского и английского. Лицензия в предоставленных данных не указана.

animuwultimate-1.4.5 — форк Stable Diffusion 1.4, доработанный для генерации изображений с аниме-персонажами и пейзажами. Автор демонстрирует примеры сезонных сцен с персонажами и указывает параметры генерации: изображения 512×768, 35 шагов и sampler DPM++ 3M SDE (Karras). Модель предназначена для создания аниме-иллюстраций по текстовым запросам и распространяется в форматах Diffusers, PyTorch и Safetensors. Лицензия — CreativeML OpenRAIL-M. В карточке автор сообщает, что проблему блеклых цветов, связанную с VAE, исправили после первого релиза; в примечании также упоминаются проблемы Hugging Face API. Подробности обучения, размер модели и поддерживаемые языки не приводятся.

ARTificialJourney-v1.0-768 — модель генерации изображений на основе Stable Diffusion, опубликованная Kaludi. Она обучена примерно на 100 вручную отобранных изображениях размером 768×768 и настроена на создание крупных портретов и пейзажей по текстовому описанию. Для получения характерного результата автор рекомендует добавлять к запросу фразу «artificial-journey style» и подробно описывать сцену. Лучше всего подходят разрешения 768×768, 1024×768 и 768×1024. Модель доступна в форматах Diffusers, PyTorch и Safetensors; лицензия — CreativeML OpenRAIL-M. Модель слабо подходит для полнофигурных портретов, поскольку обучающие изображения преимущественно показывают крупные планы. README не приводит оценки качества или подробностей о базовой версии Stable Diffusion.

Это языковая модель BLOOM с 659,6 млн параметров, дообученная mrm8488 на наборе Gustavosta/Stable-Diffusion-Prompts. Она генерирует текстовые описания и промпты для Stable Diffusion по текстовому контексту. Модель построена на плотной авторегрессионной архитектуре BLOOM, работает с текстом и имеет контекстное окно 2048 токенов. В карточке приведён результат оценки на тестовой выборке: loss 0,8742. Модель может быть полезна для создания и продолжения промптов для генерации изображений, однако README не описывает её intended use, методику оценки или ограничения качества. Лицензия — BigScience BLOOM RAIL 1.0; перед применением следует учитывать её условия.