I.8Изображения и компьютерное зрение

ClaymationXmas — модель генерации изображений по текстовому запросу в стиле рождественской пластилиновой анимации. Она опубликована Norod78 и предназначена для создания изображений с этим визуальным концептом; карточка предлагает использовать её через интерфейсы A1111 или Diffusers. Модель распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. В метаданных указан английский язык, а среди связанных данных — набор подписей к изображениям ChristmasClaymation. Размер модели, архитектура сверх указания StableDiffusionPipeline и длина контекста не приведены. Описание README краткое и не сообщает о конкретных ограничениях качества или эксплуатации.

Doodad — модель генерации изображений по текстовому описанию, созданная автором crumb и опубликованная в организации doohickey. Это дообученная с помощью Dreambooth-Stable версия Trinart-Waifu-diffusion-50-50; автор обучал её на 48 изображениях из своей ленты Pinterest. Модель рассчитана на генерацию изображений по запросам и особенно хорошо сочетается со стилем, включённым в Doohickey. Обучение проводилось с разрешением 512 пикселей, размером пакета 1 и накоплением градиента на 2 шага. Репозиторий содержит формат Diffusers и веса PyTorch; метаданные указывают поддержку английского языка и лицензию BigScience BLOOM RAIL 1.0. Карточка описывает Doodad как первую часть проекта из двух или, возможно, трёх частей.

Gerph — семейство моделей генерации изображений по текстовому описанию, обученное на работах художника Gerph. Доступны варианты Gerph_Epoch8, Gerph_Epoch10 и Gerph_Epoch11; карточка описывает базовый вариант как обученный исключительно на его искусстве, а два продолженных варианта — на более широком наборе изображений с работами разных авторов. Модели ориентированы преимущественно на персонажей и художественные иллюстрации в авторском стиле. Модель принимает текстовые запросы на английском языке и создаёт изображения; специальные токены для вызова стиля не нужны. Варианты отличаются обучающими данными и выраженностью исходного стиля. Генерация может включать откровенный контент. Модель распространяется под лицензией CreativeML OpenRAIL-M.

GuoFeng3 — модель генерации изображений в китайском историческом стиле, представленная автором репозитория xiaolxl. Она предназначена для создания персонажей и сцен с эстетикой древнего Китая, в том числе игровых персонажей, мужских образов и изображений в полный рост; стиль сочетает живописную выразительность с 2.5D-эффектом. В карточке описаны варианты GuoFeng3.1–3.4: некоторые версии дорабатывают портреты, улучшают освещение или адаптацию к изображениям в полный рост и LoRA. Максимальная сторона исходного изображения указана как 1024 пикселя. Модель принимает текстовые запросы и генерирует изображения; метаданные указывают библиотеку Diffusers и форматы PyTorch и Safetensors. README рекомендует для GuoFeng3.3 вертикальные изображения и отмечает, что лица могут получаться похожими друг на друга; также возможны красные глаза и чрезмерно яркие цвета, для которых предлагаются отрицательный запрос и снижение CFG. Лицензия CC BY-NC-SA 4.0 допускает использование на условиях атрибуции, распространения производных работ на тех же условиях и некоммерческого применения.

Hulu-Med-30A3-i1-GGUF — квантизированная версия мультимодальной медицинской модели Hulu-Med-30A3, разработанной ZJU-AI4H и подготовленной в формате GGUF пользователем mradermacher. Модель относится к классу vision-language и предназначена для работы с медицинскими изображениями, преобразования изображений в текст, анализа видео и задач, связанных с трёхмерными данными. Модель поддерживает английский язык. В метаданных упоминается семейство Qwen и библиотека Transformers, однако точная архитектура, число параметров, размер контекстного окна и перечень поддерживаемых форматов входных данных не указаны. Для обработки визуальных данных могут потребоваться дополнительные файлы mmproj из статического репозитория модели. Основное преимущество этой версии — наличие большого набора вариантов квантизации GGUF с различным компромиссом между размером, скоростью и качеством, включая i1-Q4_K_M как рекомендуемый быстрый вариант и i1-Q4_K_S как вариант с оптимальным балансом. Более агрессивные варианты занимают меньше места, но могут заметно терять в качестве; README отдельно отмечает низкое качество некоторых конфигураций. Модель следует применять с учётом медицинской специфики и не рассматривать её ответы как замену профессиональной диагностике. Распространение указано под лицензией Apache 2.0.

Yntec/iffyMix — слитая модель на базе Stable Diffusion 1.5, созданная объединением YiffyMix 3.1 и nuipenimix 2.0 с помощью SuperMerger. Она генерирует изображения по текстовым промптам и ориентирована на аниме, мультяшную иллюстрацию и furry-стиль; примеры охватывают персонажей, портреты и изображения животных. Модель распространяется в форматах Diffusers и Safetensors по лицензии CreativeML OpenRAIL-M. Карточка не сообщает размер модели или длину контекста.

ImagePromptHelper-danube3-500M — дообученная модель автора trollek на базе h2oai/h2o-danube3-500m-base, предназначенная для генерации текстовых промптов для изображений. Она может работать как помощник для составления промптов; README также предлагает префиксы Detailed, Very detailed, Danbooru и Mixed для управления стилем или подробностью результата. Модель создана с использованием набора SFT-данных, подготовленного автором с помощью Florence-2-large-PromptGen-v1.5. Модель использует архитектуру Llama и содержит 464,4 млн параметров; базовая языковая модель поддерживает контекст до 8192 токенов. Указаны английский язык и текстовый ввод и вывод. Модель выпущена в формате safetensors и распространяется по лицензии Apache-2.0. Её специализация — формулирование промптов для генерации изображений; конкретные гарантии качества и ограничения не описаны.

Vrizzo/indian-art-sd-model — модель генерации изображений по текстовому описанию, разработанная Vrizzo и дообученная на базе Stable Diffusion v1.5 для создания изображений в традиционных индийских художественных стилях. Она предназначена для иллюстраций в стилях Мадхубани, Варли, ранголи, могольской миниатюры, Танджавура и Паттачитры, а также для сцен индийских праздников и изображений традиционных танцоров. Модель использует архитектуру Stable Diffusion и доступна в форматах Diffusers и SafeTensors. Рекомендуемый размер изображения — 512×512 пикселей; карточка советует использовать 25–40 шагов генерации и guidance scale 7–9. Для наилучшего результата в запросе стоит явно указывать художественный стиль. Фотореалистичные человеческие лица не являются сильной стороной модели. Модель распространяется по лицензии CreativeML OpenRAIL-M; условия лицензии следует учитывать при использовании и распространении сгенерированных изображений.

Krea-2-LoRA-dotmatrix — адаптер LoRA, разработанный Krea для модели Krea 2. Он предназначен для генерации изображений в стиле монохромной точечной штриховки по текстовым описаниям и используется как дополнение к базовой модели Krea-2-Turbo через библиотеку Diffusers. Для активации стиля применяется триггерная фраза “Monochrome stippling style”. Адаптер содержит веса dotmatrix.safetensors и обучен на Krea-2-Raw, а демонстрационные изображения созданы на дистиллированной малошаговой версии Krea-2-Turbo за 8 шагов при guidance scale 0.0 и весе LoRA 1.0. Модель поддерживает сценарии текст-в-изображение и может применяться к различным сюжетам, включая персонажей, пейзажи, животных и сцены действия. В README указано, что заявленный язык — английский. Размер модели, точные параметры архитектуры и максимальная длина контекста не приведены. Сильная сторона адаптера — специализация на узнаваемом визуальном стиле при использовании базовой Krea-2-Turbo и небольшого числа шагов генерации. Ограничение заключается в необходимости совместного использования с совместимой базовой моделью и корректного применения триггерной фразы; сведения о других ограничениях качества и производительности отсутствуют. Лицензия указана как krea-2-community-license; подробные условия доступны по ссылке на файл лицензии в репозитории.

MedGemma 27B IT — медицинская мультимодальная модель Google, представленная в формате GGUF пользователем mradermacher. Модель предназначена для задач, связанных с анализом медицинских изображений и текста: работы с рентгеновскими снимками, патологией, дерматологией и изображениями глазного дна, генерации радиологических заключений, медицинских эмбеддингов, классификации изображений, zero-shot-классификации, извлечения признаков и преобразования изображения и текста в текст. В README указан английский язык. Исходная модель имеет размер 27 млрд параметров и поддерживает мультимодальную обработку через дополнительный компонент mmproj. Контекст, точная архитектура и перечень поддерживаемых языков, кроме английского, не указаны. Доступны варианты квантования GGUF размером примерно от 10,6 до 28,8 ГБ; Q4_K_S и Q4_K_M отмечены как быстрые и рекомендуемые, Q6_K — как обеспечивающий очень хорошее качество, а Q8_0 — как вариант с лучшим качеством. Сильными сторонами являются специализация на медицинских сценариях, поддержка анализа изображений и текста и возможность локального использования в различных степенях квантования. Ограничениями выступают значительные требования к дисковому пространству и ресурсам, возможная потеря качества при агрессивном квантовании, а также отсутствие в README данных о контекстном окне и результатах оценки. Использование регулируется условиями Health AI Developer Foundation; для доступа требуется ознакомиться с ними и принять их.

MidJourney-PaperCut — модель для генерации изображений по текстовому описанию, созданная ShadoWxShinigamI. Это дообучение Stable Diffusion 1.5 на 56 изображениях в течение 7000 шагов, предназначенное для создания изображений в стиле вырезанной из бумаги иллюстрации. Для вызова стиля в начале запроса используется токен mdjrny-pprct; карточка приводит примеры генерации орла, самурая и пейзажа и указывает, что обычно достаточно простого описания. Модель распространяется в форматах Diffusers, PyTorch и safetensors. Лицензия — MIT. Карточка не сообщает об ограничениях качества или известных проблемах.

Never Existed — модель генерации изображений по текстовому описанию, созданная как слияние ElldrethSRetroMix и DucHaitenRetro. Она предназначена для создания изображений в ретро- и винтажной эстетике, в том числе иллюстраций и персонажей с менее серьёзным выражением или настроением. В README указано, что версия модели переименована в neverexistedalpha и находится в разработке. Модель доступна в формате Diffusers с весами Safetensors и использует библиотеку Diffusers; заявленная лицензия — CreativeML OpenRAIL-M. README не приводит размер модели или длину контекста.

OpenSpatial-Qwen3-VL-8B — мультимодальная модель, дообученная командой OpenSpatial на базе Qwen/Qwen3-VL-8B-Instruct. Она предназначена для понимания пространственных отношений и рассуждений по изображениям в диалоге. Модель принимает текст и изображения и генерирует текстовые ответы; доступна в формате safetensors для запуска через Transformers. Модель подходит для вопросов о расположении объектов и пространственных сценах, а также для визуального анализа, где нужно описать отношения между элементами изображения. В карточке не приведены сведения о датасетах обучения, количественных оценках качества или дополнительных ограничениях. Лицензия репозитория — Apache-2.0.

Original Pooh Diffusion — дообученная модель Stable Diffusion на основе F222, созданная для генерации изображений в стиле иллюстраций Э. Х. Шепарда к книге «Винни-Пух» А. А. Милна. Для активации характерного стиля в текстовом запросе рекомендуется использовать токены «original pooh». Модель принимает текстовые промпты и создаёт изображения; её можно применять через Diffusers. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M.

PixelArtRedmond 1.5V — это LoRA-адаптер для генерации изображений в стиле пиксель-арта на базе Stable Diffusion v1.5. Модель разработана автором artificialguybr; официальный сайт автора — artificialguy.com. Она предназначена для text-to-image задач, включая создание персонажей, игровых ассетов, сцен, портретов и иллюстраций с выраженной стилизацией под пиксельную графику. Адаптер совместим с runwayml/stable-diffusion-v1-5 и используется в экосистеме Diffusers и Stable Diffusion. В README указаны текстовый триггер «Pixel Art» и примеры с дополнительным идентификатором «PixArFK». Поддерживается генерация по текстовым описаниям; сведения о размере LoRA, точной архитектуре, языках, максимальном контексте и входных модальностях не предоставлены. Сильная сторона модели — специализация на едином визуальном стиле, однако качество и применимость зависят от базовой модели, промпта и параметров генерации. Модель распространяется по bespoke-lora-trained-license. Лицензия разрешает коммерческое использование на условиях аренды, допускает производные работы и требует соблюдения условий, опубликованных по указанной ссылке; возможность использования без указания авторства также обозначена в ссылке на лицензию.

Модель Justin Pinkney, обученная в Lambda Labs: это дообученная Stable Diffusion для генерации изображений покемонов по текстовому описанию. Она принимает текстовый запрос и создаёт изображение персонажа в стиле покемонов; для генерации не требуется сложная настройка промпта. Модель обучали на изображениях покемонов с подписями BLIP примерно за 15 тысяч шагов. В репозитории доступны веса в форматах Diffusers и PyTorch. Модель подходит для создания оригинальных покемоноподобных персонажей и иллюстраций по текстовым запросам. В примере использования указаны изображения размером 512 × 512 пикселей. Карточка не сообщает лицензию, поэтому условия использования по ней определить нельзя.

PromptEnhancerV2 (32B) — мультимодальная модель на базе Qwen2.5-VL-32B-Instruct, дообученная для улучшения и переписывания запросов к генераторам изображений. Она перестраивает пользовательский запрос, стараясь сохранить исходный замысел и сделать формулировку более ясной, детализированной и логически связной; в описании указано использование рассуждений chain-of-thought. Модель предназначена для подготовки текстовых промптов для последующей генерации изображений и оценивалась на наборе T2I-Keypoints-Eval. Архитектура — плотная Qwen2.5-VL, размер — 32 млрд параметров, контекст — до 128 000 токенов. Указаны китайский и английский языки. Несмотря на мультимодальную базовую архитектуру, карточка описывает задачу переписывания текстовых промптов, а не анализ изображений на входе. Для репозитория указаны Transformers и формат safetensors. README указывает лицензию Apache-2.0, тогда как метаданные Hugging Face содержат значение other, поэтому условия распространения следует сверить с лицензией в репозитории.

Модель sd-dreambooth-library/puuung разработана MrKuenning как дообученная с помощью DreamBooth версия Stable Diffusion, обученная на концепции Puuung. Она предназначена для генерации изображений по текстовому описанию; для вызова концепции в запросе README рекомендует использовать слово «Puuung». Репозиторий представлен в форматах Diffusers и PyTorch, задача модели — text-to-image. Лицензия — MIT. Модель подходит для создания изображений с концепцией Puuung по текстовым запросам. Сведения о размере, длине контекста, поддерживаемых языках и известных ограничениях в карточке не приведены.

Raehoshi illust Vpred — диффузионная модель генерации изображений по текстовому описанию, разработанная Raelina и дообученная на NoobAI XL Vpred v1.0. Это итерация семейства Illustrious XL, ориентированная на иллюстрации в аниме-стиле; модель принимает промпты в формате тегов booru. Для запуска доступны файлы Diffusers и safetensors, а карточка указывает пайплайн StableDiffusionXLPipeline. Модель предназначена для создания стилизованных иллюстраций по текстовым промптам. Автор сообщает об улучшении цветового баланса и снижении артефактного шума по сравнению с исходной моделью, хотя эти проблемы полностью не устранены. В README приведены рекомендуемые параметры генерации, включая CFG 4–5 и не менее 25 шагов сэмплирования. Лицензия обозначена как other; конкретные условия следует сверить с лицензией репозитория.

RainbowDreams — модель генерации изображений по текстовому описанию, опубликованная Yntec. Это дообученная версия Yntec/rainbowpatch, объединённая с несколькими другими моделями; автор README отмечает, что ранее в репозитории была ошибочно смешана другая модель, а затем добавлена правильная. Для усиления характерного эффекта автор рекомендует начинать запрос со слова «Rainbowpatch». Примеры показывают ретроиллюстрации и фотореалистичные изображения с персонажами, в том числе в эстетике супергероики и рекламных материалов середины XX века. Модель распространяется в формате Diffusers с весами Safetensors по лицензии CreativeML OpenRAIL-M. README не сообщает размер модели, длину контекста или перечень поддерживаемых языков. Примеры промптов преимущественно на английском. Известное ограничение: результаты зависят от формулировки запроса; README описывает смешение моделей, но не приводит систематической оценки качества или воспроизводимости.

RINGO_Illustrious_v1.0_Hybrid — модель генерации изображений FjikoAI на основе Illustrious-XL, дообученной на Stable Diffusion XL. В README описан выборочный merge глубоких блоков U-Net с моделью-донором, специализирующейся на мимике; при этом в метаданных происхождение указано как дообучение базовой модели OnomaAIResearch/Illustrious-xl-early-release-v0. Модель предназначена для создания аниме- и полуреалистичных портретов по текстовым промптам. Разработчик отмечает естественную проработку азиатских лиц, кожи, губ и глаз, а также улучшенную отрисовку рук, пальцев и предметов в руках. Она совместима с обычными рабочими процессами Illustrious-XL и SDXL; в README рекомендованы 25–35 шагов генерации и умеренный CFG. Модель выдаёт изображения и принимает текстовые промпты. Репозиторий содержит веса Safetensors, а лицензия — CreativeML Open RAIL-M. Метаданные помечают модель как NSFW, поэтому её следует считать предназначенной для взрослого контента; README не приводит отдельных результатов оценки качества или полного перечня ограничений.

Minthy/RouWei-0.8 — модель генерации изображений по текстовому описанию, созданная Minthy как глубокое переобучение Illustrious. Она предназначена прежде всего для аниме-арта, цифровых иллюстраций и изображений персонажей; понимает короткие теги в стиле Danbooru и длинные естественно-языковые промпты. В README указано, что обучение проводилось на наборе примерно из 13 млн изображений, включая изображения с текстовыми подписями, а данные охватывают более 50 тысяч художественных стилей. Модель распространяется в формате Safetensors и рассчитана на использование с библиотекой Diffusers. Автор заявляет об улучшенном следовании промпту, разнообразии стилей и снижении проблем с пересечением тегов и водяными знаками. Для смешивания тегов стилей художников рекомендуется отделять их в отдельный CLIP-фрагмент или располагать в конце промпта; иначе качество может заметно ухудшиться. Для версии v-prediction рекомендуются более низкие значения CFG, а некоторые экспериментальные сэмплеры и планировщики не проверены. Модель может создавать NSFW-изображения в ответ на соответствующие запросы, а её результаты могут быть неточными и провокационными. Лицензия в предоставленных материалах не указана.

Shichigoro Diffusion v0.2 — экспериментальная модель генерации изображений на основе Stable Diffusion, обученная на художественных работах Shichigoro с помощью DreamBooth и сохранением prior-preservation loss. Для вызова характерного стиля в запрос добавляют токен «shichigoro»; модель также демонстрирует генерацию персонажей, животных и других сюжетов по текстовому описанию. Модель принимает текстовые запросы и создаёт изображения. В карточке приведены примеры с настройками Euler a, CFG scale 7 и разрешением около 512×704–768 пикселей. Автор указывает, что обучение заняло 800 шагов и включало дообучение текстового энкодера. Модель предназначена только для личного использования; следует уважать права исходного художника. Лицензия — CreativeML OpenRAIL-M.

Balloon Art model V1 — дообученная модель генерации изображений на основе Stable Diffusion 1.5, разработанная Fictiverse. Она предназначена для создания изображений скрученных воздушных шаров по текстовым описаниям; для вызова характерного стиля в запрос рекомендуется добавлять слово BalloonArt. Модель использует архитектуру Stable Diffusion и запускается через StableDiffusionPipeline из библиотеки Diffusers. В README приведён пример генерации изображения по запросу «BalloonArt R2-D2». Лицензия — CreativeML OpenRAIL-M; условия использования определяются её положениями.

stable-diffusion-logo-fine-tuned — модель Stable Diffusion, дообученная пользователем nicky007 на 1000 изображениях логотипов в формате PNG и JPG размером 128×128 пикселей с применением аугментаций. Она предназначена для генерации логотипов по текстовому описанию, включая эмблемы с заданными объектами и темами. Модель использует Diffusers и PyTorch и принимает текстовые запросы, выдавая изображения. Лицензия — CreativeML OpenRAIL-M. Модель подходит для создания концептов логотипов по кратким или составным запросам. Обучающий набор невелик и ограничен изображениями логотипов низкого разрешения; карточка не приводит результатов оценки качества или списка поддерживаемых языков.

Starry XL 5.2 — модель генерации изображений по текстовому описанию, разработанная kitarz на основе SDXL 1.0 и дообученная от Kohaku-XL Epsilon. Она предназначена прежде всего для создания изображений в стиле аниме с управлением стилем через теги художников и персонажей. Для точного результата имена художников и персонажей нужно указывать без ошибок; автор рекомендует сочетать несколько художественных стилей. Модель доступна в форматах Diffusers и safetensors. Указанная лицензия — Fair AI Public License 1.0-SD.

TIPO-200M — компактная языковая модель на архитектуре LLaMA, разработанная KBlueLeaf для фреймворка TIPO (Text to Image with text presampling for Prompt Optimization). Она дополняет и уточняет короткие или неполные запросы перед передачей в генеративную модель изображений, помогая пользователю получать более подробные промпты с меньшими усилиями. Модель обучали на объединённых данных Danbooru2023 и Coyo-HD-11M; в метаданных также перечислены Conceptual Captions и GBC10M. При обучении модель обработала около 50 млрд токенов. Модель содержит 177,9 млн параметров, поддерживает контекст до 2048 токенов по метаданным и предназначена для генерации текста на английском языке. README описывает интеграцию через расширение z-tipo-extension для Stable Diffusion WebUI, Forge и ComfyUI; SD-Next не тестировался. Репозиторий содержит веса Safetensors и GGUF F16. Лицензия — Apache-2.0. Оценка в карточке показывает хорошие результаты на тестах формирования промптов, однако приведённые результаты относятся к конкретным тестовым наборам и сами по себе не подтверждают качество на любых запросах.

John6666/unholy-desire-mix-sinister-aesthetic-illustrious-v60-sdxl — модель генерации изображений по текстовому описанию от автора John6666 на Hugging Face. Это вариант семейства Illustrious на базе OnomaAIResearch/Illustrious-xl-early-release-v0, дообученный для создания преимущественно аниме-иллюстраций с мрачной эстетикой и персонажами. Работает как Stable Diffusion XL через Diffusers; принимает текстовые промпты и выдаёт изображения. В карточке Hugging Face указана лицензия faipl-1.0-sd, а репозиторий отмечен как содержащий чувствительный контент.

DarthZhu/VideoRLVR-Wan2.2-Base — дообученная методом SFT модель генерации видео, созданная на основе Wan-AI/Wan2.2-TI2V-5B. Она предназначена для создания видео по исходному изображению с соблюдением пространственных, временных и логических правил; обучение проводилось на процедурно сгенерированных задачах Maze, FlowFree и Sokoban в рамках подхода VideoRLVR с проверяемыми наградами. В статье описана оптимизация SDE-GRPO, плотные декомпозированные награды и стратегия Early-Step Focus. Модель рассчитана на визуальные траектории, которые удовлетворяют заданным условиям, например прохождение лабиринта или последовательное решение головоломки. Карточка сообщает об улучшении результатов относительно базовых моделей с supervised fine-tuning на этих задачах. Репозиторий использует Diffusers и формат safetensors; лицензия — Apache-2.0. Размер и длина контекста для этого чекпойнта не приведены.

Waifu Diffusion v1.3 — латентная диффузионная модель для генерации изображений по текстовым описаниям. Разработчики дообучили её на качественных изображениях в стиле аниме; модель предназначена для создания генеративного искусства и развлечений. Модель использует Stable Diffusion и доступна в форматах Diffusers и PyTorch. Карточка указывает поддержку английского языка. Лицензия — CreativeML OpenRAIL-M, предусматривающая условия использования и ограничения на применение.