I.8Изображения и компьютерное зрение

Paint Journey V1 — модель генерации изображений по текстовому описанию, созданная Fred Zhang. Это дообученная на Linux DreamBooth модель Dreamlike Diffusion V1, обученная на 260 отобранных акварельных и цифровых картинах, созданных Disco Diffusion. Она предназначена для создания художественных изображений в этих стилях; автор рекомендует добавлять слово «disco» в начало запроса. Модель совместима с промптами для Stable Diffusion 1.5 и доступна в форматах Diffusers и PyTorch. Для портретов, пейзажей и других сюжетов README приводит рекомендуемые разрешения от 768×768 до 1088×768. Указана лицензия CreativeML OpenRAIL-M. README также предупреждает, что сгенерированные изображения могут содержать анатомические искажения, лишние пальцы, размытие и другие дефекты; для фильтрации небезопасного контента предлагается подключать внешний safety checker.

google/paligemma-3b-ft-rsvqa-lr-224 — разработанная Google модель для ответов на вопросы по изображениям дистанционного зондирования. Это дообученная версия PaliGemma: компактной мультимодальной модели, сочетающей визуальный энкодер SigLIP и языковую модель Gemma. Модель принимает изображение и текстовый запрос и генерирует текст; суффикс rsvqa указывает на специализацию на визуальных вопросах по данным дистанционного зондирования. Модель рассчитана на ответы на вопросы по спутниковым и другим дистанционно полученным изображениям. PaliGemma предназначена прежде всего для настройки под конкретную задачу и работает в одношаговом режиме, а не как диалоговый помощник. В карточке указана лицензия Gemma; веса доступны в формате Safetensors. Как и другие VLM, модель может ошибаться в интерпретации изображения и формулировать недостоверные ответы. Её качество зависит от ясности запроса и соответствия изображений специализации; общие знания и сложные рассуждения могут быть ограничены. Следует учитывать возможные смещения в данных.

PhotoVintageV1.5 — модель генерации изображений на основе Stable Diffusion 1.5, созданная фотографом Jhoan Giraldo из Fotógrafo Medellín и дообученная на его фотографиях с авторскими цветовыми LUT-фильтрами. Она предназначена для создания фотореалистичных изображений людей и предметов в винтажном фотографическом стиле. Модель принимает текстовые запросы и генерирует изображения с характерной эстетикой аналоговой и Polaroid-фотографии: тёплыми лазурными оттенками, засветкой объектива, смещением цветов и зернистостью плёнки. В README рекомендован размер 512×512 пикселей; автор предлагает экспериментировать с настройками генерации и упоминать в запросах камеры и объективы. Репозиторий содержит версию для Diffusers в форматах PyTorch и SafeTensors. Лицензия — Artistic License 2.0. Модель ориентирована на фотостиль, однако карточка не приводит количественных оценок качества или результатов сравнительных тестов.

pornvidion — модель генерации изображений по текстовому описанию, предоставляемая через ModelsLab API и загружаемая в формате Diffusers/PyTorch. Она предназначена для создания ультрареалистичных изображений, в том числе портретов и изображений для взрослых сценариев. В запросе можно задавать текстовый prompt и negative prompt, размер изображения, число шагов генерации и guidance scale; README приводит пример параметров 512×512 и 30 шагов. Модель принимает текст и выдаёт изображения. README указывает на настройку safety_checker и многоязычного режима через параметры API, но не описывает обучение, базовую модель или языковой охват. Лицензия репозитория — CreativeML OpenRAIL-M; генерация через API требует ключа ModelsLab.

Potat 1 — прототип модели генерации видео по текстовому описанию, опубликованный camenduru. README называет её первой открытой моделью для генерации видео с разрешением 1024×576. Модель обучали на одном ускорителе A100 с 40 ГБ памяти на 2 197 клипах и 68 388 размеченных кадрах; для разметки использовался salesforce/blip2-opt-6.7b-coco. Указано 10 000 шагов обучения. Модель предназначена для экспериментального создания коротких видеоклипов по текстовым запросам. Репозиторий содержит веса в форматах Diffusers и PyTorch. README обозначает Potat 1 как прототип и не приводит сведений о лицензии, контекстном окне или поддерживаемых языках.

Raehoshi illust XL 11 — диффузионная модель генерации изображений по текстовым запросам, разработанная Raelina и дообученная на Illustrious XL v1.1. Она ориентирована на иллюстрации в аниме-стиле и лучше всего работает с промптами в формате тегов Booru. Модель стремится смягчить избыточную насыщенность и артефактный шум исходной модели, сохраняя её визуальные особенности; по описанию автора, эти проблемы уменьшены, но не устранены полностью. Для генерации автор рекомендует CFG 5–7, не менее 25 шагов и сэмплер Euler a или DPM++2M Karras. Репозиторий содержит формат Diffusers и веса Safetensors. Лицензия обозначена как other, поэтому условия использования следует уточнить в карточке модели.

SenseNova-SI-1.1-InternVL3-2B — мультимодальная модель SenseNova, представленная в работе «Scaling Spatial Intelligence with Multimodal Foundation Models». Она дообучена на базе OpenGVLab/InternVL3-2B и предназначена прежде всего для пространственного понимания и рассуждений по изображениям и текстовым вопросам. Модель работает с диалоговым форматом и распространяется в формате safetensors для Transformers. В README заявлены результаты на пространственных бенчмарках VSI, MMSI, MindCube, ViewSpatial и SITE, а также сохранение сильных возможностей общего визуально-языкового понимания. Модель подходит для ответов на вопросы о расположении объектов, их взаимном положении и пространственных преобразованиях. Проект описан как продолжающееся исследовательское направление; результаты на бенчмарках не гарантируют качество во всех прикладных сценариях. Лицензия — Apache-2.0.

SenseNova-SI-1.3-Qwen3-VL-8B — мультимодальная модель SenseNova, разработанная для развития пространственного интеллекта. Она дообучена на базе Qwen/Qwen3-VL-8B-Instruct с использованием SenseNova-SI-8M — набора из восьми миллионов примеров, систематизированных по таксономии пространственных навыков. Модель принимает изображения и текстовые запросы и отвечает на вопросы о пространственных отношениях и сценах. По данным разработчиков, она показывает сильные результаты на различных бенчмарках пространственного интеллекта и улучшает ответы на открытые пространственные вопросы по сравнению с предыдущими версиями, сохраняя широкие возможности мультимодального понимания. Модель подходит для визуального пространственного рассуждения, ответов на вопросы по изображениям и исследовательской оценки пространственных способностей VLM. В README не приведены сведения о поддерживаемых языках и длине контекста. Распространяется по лицензии Apache-2.0.

seanjang990/shark_baby_parts_v14_25 — LoRA-адаптер для генерации изображений на базе Tongyi-MAI/Z-Image-Turbo. Модель предназначена для задач text-to-image в экосистеме Diffusers; README также содержит демонстрационный пример вывода и указывает, что адаптер можно скачать из репозитория. Архитектура LoRA, точный размер, поддерживаемые языки, длина контекста, модальности и специализация адаптера в README не описаны. Назначение модели, вероятно, связано с генерацией изображений на базе указанной исходной модели, однако конкретные сценарии применения и сильные стороны нельзя определить по имеющимся данным. Лицензия и условия использования не указаны.

SoteDiffusion Wuerstchen3 — модель генерации изображений по текстовому описанию, разработанная автором Disty0 как дообучение Stable Cascade от Stability AI. Она предназначена прежде всего для создания аниме-иллюстраций; для запуска автор приводит примеры настроек в SD.Next и ComfyUI, а также упоминает доступ через API Fal.AI. Модель обучали на 6 млн изображений в течение трёх эпох на восьми GPU A100 80 ГБ. Веса доступны в формате safetensors для Diffusers. В обучающих данных использовались подписи и теги, включая оценки эстетики и качества; для промптов автор рекомендует теги вроде «newest» и «best quality». README не сообщает длину контекста или перечень поддерживаемых текстовых языков. Модель специализируется на аниме-стиле; реалистичная генерация не проверялась. Иногда результат может становиться реалистичным, а глаза и руки на дальнем плане могут выглядеть неудачно. Лицензия в метаданных указана как «other», поэтому конкретные условия использования следует уточнить на странице репозитория.

Модель YOLOv8s для обнаружения графических паттернов на скриншотах биржевых графиков разработана FODUU AI и дообучена на пользовательском наборе из 9000 обучающих и 800 проверочных изображений. Она использует архитектуру YOLOv8 и библиотеку Ultralytics для поиска объектов на изображении, включая паттерны «голова и плечи» (верхний и нижний), M_Head, StockLine, Triangle и W_Bottom. Модель предназначена для распознавания паттернов в реальном времени на захватах экрана торговых графиков. Результаты можно использовать для аннотирования изображений, журналирования обнаружений, формирования таблиц Excel, создания видео и настройки оповещений или торговых сценариев. Лицензия в предоставленных данных не указана.

Ukeiyo-style Diffusion — дообученная модель Stable Diffusion от salmonhumorous для создания изображений в стиле традиционной японской укиё-э. Чтобы вызвать этот стиль, в текстовый запрос рекомендуется добавлять токены «ukeiyoddim style». Модель подходит для генерации пейзажей и иллюстраций; её можно запускать через Diffusers или использовать файл checkpoint с собственной реализацией Stable Diffusion. В карточке указана лицензия CreativeML OpenRAIL-M. По приведённым примерам модель обучалась на разных этапах вплоть до 2000 шагов. Ограничения связаны с базовыми возможностями генерации изображений Stable Diffusion и возможным качеством стилизации; конкретные результаты зависят от запроса и настроек генерации.

VaLMix (ValentineMix) — слитая модель для генерации изображений по текстовым описаниям, созданная Hemlok на основе pastel-mix. Карточка указывает на использование с Diffusers и WebUI, например AUTOMATIC1111; для генерации рекомендуются сэмплеры DDIM или DPM++ SDE Karras, около 50 и более шагов и CFG Scale 5–8. Модель предназначена для создания иллюстраций в аниме-стиле: в примере промпта описаны персонаж, одежда и интерьер. Автор также перечисляет варианты серии VaLMix2, включая варианты на основе VaLMix и Openjourney-v4, но это не меняет указанную для VaLMix базу pastel-mix. Коммерческое использование VaLMix запрещено из-за изменения лицензии исходной модели для слияния; в метаданных указана лицензия CreativeML OpenRAIL-M.

Wulver v0.5 — полноценно дообученная Vaelico модель генерации изображений на основе Krea 2 Raw с архитектурой DiT и 12,8 млрд параметров. Она предназначена прежде всего для создания furry- и антропоморфных персонажей, а также изображений в стилях anime и kemono. Модель умеет изображать несколько взаимодействующих персонажей и распознаёт 1 113 токенов стилей художников формата @artistname. Модель принимает текстовые описания и выдаёт изображения. Обучение включало этапы при разрешении 512 и 1024 пикселя. В Turbo-варианте официальная Turbo LoRA объединена с весами: рекомендуются 8 шагов и CFG 1. Для работы через ComfyUI нужны текстовый энкодер Qwen3-VL-4B и VAE Qwen Image. Доступны веса в форматах FP8, INT8 и W4A8; вариант W4A8 требует ComfyUI не ниже 0.31.0, GPU с SM 8.0 или новее и PyTorch cu130 или новее. Модель особенно подходит для детализированных описаний персонажей и сцен; короткие запросы могут давать непредсказуемый выбор стиля. На CFG 1 отрицательный промпт не влияет. Указана лицензия other, поэтому условия использования следует уточнить на странице модели и у разработчика.

Anime Diffusion2 — латентная диффузионная модель для генерации изображений по текстовым запросам, созданная на основе Vintedois (22h) Diffusion model. Модель дообучена на подписях BLIP для набора Danbou, материалах по Demon Slayer и артах с 4ch; в карточке приведён пример запроса с персонажем в аниме-стилистике и кинематографическим освещением. Модель предназначена для развлекательной генерации изображений и использования в качестве помощника для генеративного искусства. Она распространяется в форматах Diffusers и PyTorch, использует библиотеку Diffusers и лицензию CreativeML OpenRAIL-M. Карточка указывает английский язык; сведения о размере модели и длине контекста не приведены.

Asagi-14B — японская модель компьютерного зрения и языка, разработанная командой MIL-UT. Она дообучена на базе llm-jp/llm-jp-3-13b-instruct и объединяет визуальный энкодер SigLIP SO400M, двухслойный MLP-проектор и языковую модель примерно на 13 млрд параметров. Модель принимает изображение и текстовый запрос и формирует текстовый ответ на японском языке. Asagi-14B предназначена для диалоговых сценариев с изображениями: описания содержимого, ответов на вопросы и интерпретации визуальных сцен. Для обучения использовались крупные японские наборы данных, включая синтетические данные; качество оценивали на японских бенчмарках для VLM. Репозиторий содержит веса в формате safetensors, модель рассчитана на Transformers. Лицензия — Apache-2.0. Разработчики отмечают, что модель находится на ранней стадии исследований и разработок, и её ответы не настраивались на соответствие намерениям пользователей и требованиям безопасности. Поэтому результаты могут быть неточными или небезопасными и требуют проверки.

Banano Chan — Anything v3.0 — это модель генерации изображений в стиле аниме, созданная сообществом Banano на основе Anything V3.0. Модель обучена методом DreamBooth на образе Banano Chan — персонажа, связанного с криптовалютой Banano. Она принимает текстовые описания и теги danbooru; для работы указана библиотека Diffusers и формат PyTorch. Модель предназначена для создания детализированных аниме-иллюстраций по коротким промптам: например, изображений Banano Chan, персонажей с выразительными глазами и сцен с природой, небом и освещением. В карточке указана лицензия CreativeML OpenRAIL-M. Размер модели и длина контекста не приведены.

Это модель обнаружения объектов YOLO26m, дообученная на наборе Brackish Underwater разработчиком репозитория dronefreak в рамках DetectionBench. Она предназначена для поиска и локализации крабов, рыб, медуз, креветок, мелкой рыбы и морских звёзд на подводных изображениях и видеокадрах. Модель использует архитектуру Ultralytics YOLO26 и распространяется в формате PyTorch; лицензия репозитория — AGPL-3.0. На тестовой части Brackish Underwater автор сообщает mAP@50 98,74% и mAP@50–95 85,93%. Эти показатели относятся к конкретному тестовому набору и не гарантируют такую же точность на других камерах и местах съёмки. В обучающих данных выражен дисбаланс классов, а съёмка выполнена одной камерой в одном месте; перенос на морскую или пресную воду и другие условия не проверен.

CamelliaMix_NSFW_diffusers_v1.1 — модель генерации изображений по текстовому описанию в формате Diffusers. Автор называет её CamelliaMix_NSFW и отмечает, что она может создавать разнообразные эстетичные изображения; в карточке также приведены примеры с VAE и без него, дающие разный визуальный результат. Модель предназначена для создания изображений по текстовым запросам. Репозиторий содержит веса в форматах PyTorch и safetensors. Указана лицензия other, поэтому конкретные условия использования следует сверять с файлами репозитория. Название модели и тег not-for-all-audiences указывают на ориентацию на контент для взрослых; качество, поддерживаемые языки запросов и дополнительные технические характеристики в карточке не описаны.

Classic Telltale Diffusion — модель генерации изображений по текстовому описанию в стилистике классических игр Telltale. Она обучена на изображениях из игрового процесса и рекламных материалах этих игр; для задания стиля в промпте рекомендуется использовать токен telltale style. Модель предназначена для создания портретов, пейзажей и автомобилей в виде 2D-комиксной графики с объёмным, трёхмерным впечатлением. Модель распространяется в форматах Diffusers и safetensors и использует лицензию CreativeML OpenRAIL-M. Автор отмечает, что не связан с Telltale Games, а модель создана для исследований и развлечения; условия лицензии и ответственность за использование и результаты лежат на пользователе.

ThePioneer разработал CoolerWaifuDiffusion как слияние CoolJapanDiffusion 2.1.1 и WaifuDiffusion 1.4 anime epoch2. Это модель Stable Diffusion на базе Diffusers для генерации изображений по текстовым запросам; автор указывает, что её можно запускать через WebUI в Google Colab. Доли моделей при слиянии указаны в имени файла чекпойнта. Модель ориентирована на художественные и аниме-изображения. В README отмечено, что результат зависит от запроса, а слияние с реалистичными моделями на базе SD 2.1 768 может давать чрезмерно насыщенные цвета; с моделями на базе SD 2.1 512 такой проблемы автор не наблюдал. Метаданные указывают поддержку английского и японского языков. Лицензия обозначена как other; README отсылает к отдельным файлам лицензии на японском и английском, поэтому конкретные условия использования следует сверять с ними.

guumaster/eyyes-diffusion — модель Stable Diffusion, созданная guumaster с помощью дообучения DreamBooth на концепции «eyyes». Для генерации изображений по тексту используйте один из триггеров: 00041-2022-11-16, 00038-2022-11-16 или 00058-2022-11-16. Репозиторий содержит веса в форматах Diffusers и PyTorch; модель предназначена для запуска через Diffusers и интерфейсы Stable Diffusion. Модель подходит для генерации изображений с обученной концепцией по текстовому запросу. Лицензия CreativeML OpenRAIL-M регулирует использование модели; перед применением следует соблюдать её условия.

FLUX-MonochromeManga — дообученный полноразмерный чекпойнт FLUX.1 [dev], созданный для генерации монохромных манга-панелей и иллюстраций по текстовым описаниям. Автор объединил в базовую модель более 14 LoRA разного веса и настроил их сочетание для нужной эстетики; в обучении суммарно использовано более 36 тысяч шагов. Для усиления желаемого стиля рекомендуется включать в описание слова «monochrome manga», хотя обязательного триггерного слова нет. Модель предназначена для создания манга-иллюстраций и панелей с визуально согласованными персонажами между кадрами. Она распространяется в формате safetensors и используется через библиотеку diffusers. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели и базовой модели. Описание не приводит количественной оценки качества или технических ограничений генерации.

hassakuXLIllustrious_v22 — модель LoRA для генерации изображений по текстовому описанию, разработанная LyliaEngine. Она предназначена прежде всего для создания изображений в ярком, выразительном аниме-стиле, включая персонажей, портреты и сюжетные сцены. Модель доступна для использования с Diffusers и распространяется в формате Safetensors; также заявлена возможность работы через API Sinkin. Модель обучена на базе OnomaAIResearch/Illustrious-xl-early-release-v0, использует архитектуру SDXL и ориентирована на текстовую модальность с генерацией изображений. Точный размер модели, поддерживаемые языки и размер контекстного окна в README не указаны. Для активации не требуется специальное trigger word; рекомендуется использовать None. Для SDXL приведены разрешения от 640×1536 до 1536×640, наиболее рекомендуемое — 832×1216. К сильным сторонам относятся выраженная аниме-стилистика и обучение на изображениях с минимальным количеством текстовых артефактов, логотипов, выносок и подписей. При появлении таких элементов рекомендуется добавлять signature в negative prompt. Автор также рекомендует использовать masterpiece в положительном описании и worst quality, bad quality в negative prompt. Ограничения включают отсутствие поддержки метаданных и franchise tags, которые были удалены из обучающих данных; качество и поведение при других сценариях в README не описаны. В карточке указана лицензия cdla-permissive-2.0, однако в разделе о происхождении модели также упоминается Fair AI Public License 1.0-SD для компонентов и обучения. Перед использованием необходимо уточнить, какая лицензия применяется к конкретной версии и распространению весов.

Модель maderix — дообученная с помощью DreamBooth Stable Diffusion для генерации изображений в стиле Эрже. Чтобы вызвать этот стиль, добавьте в текстовый запрос фразу «a photo of sks herge_style». Модель предназначена для создания изображений по текстовому описанию и распространяется в форматах Diffusers и PyTorch. Лицензия — MIT.

Hitokomoru Diffusion V2 — модель генерации изображений по текстовому описанию, разработанная Linaqruf на основе латентной диффузии Stable Diffusion. Она дообучена от waifu-diffusion-v1-4-epoch-2 на 257 иллюстрациях японского художника ヒトこもる/Hitokomoru; обучение выполнено за 15 000 шагов. Модель рассчитана на создание аниме-иллюстраций и понимает как обычные текстовые описания, так и теги Danbooru. Модель подходит для генерации персонажей и сцен в аниме-стиле. Её можно запускать через Automatic1111 Stable Diffusion WebUI или библиотеку Diffusers; репозиторий предоставляет веса в форматах Diffusers, PyTorch и safetensors. Для более выразительных результатов автор рекомендует использовать эстетические теги и отрицательные промпты для подавления типичных артефактов. Модель ориентирована на художественный стиль конкретного автора, поэтому её результаты могут быть менее подходящими для других визуальных стилей и задач. Распространяется по лицензии CreativeML OpenRAIL-M.

Janku V5 — модель генерации изображений по тексту от автора John6666, опубликованная на Hugging Face. Она основана на объединении NoobAI XL 1.1, RouWei 0.8 и Illustrious XL early release и предназначена для создания стилизованных, преимущественно аниме-изображений. Карточка указывает улучшения глаз, яркости и контраста, освещения и оттенков, блеска волос и глаз, а также чёткости линий. Модель использует Stable Diffusion XL и доступна в формате Diffusers с весами Safetensors; размер репозитория модели указан как около 3 млрд параметров. Поддерживаемый карточкой язык — английский, который используется для текстовых промптов. Репозиторий помечен как содержащий чувствительный контент и потенциально не подходящий для всех аудиторий. Лицензия — faipl-1.0-sd.

MeinaMix — созданная автором Meina модель генерации изображений в стиле аниме на основе Stable Diffusion. Она предназначена для создания иллюстраций по текстовым запросам, в том числе с короткими описаниями: автор ставит целью получать качественные изображения при небольшом количестве деталей в запросе. Модель работает с текстом и выдаёт изображения; в метаданных указаны библиотека Diffusers, форматы PyTorch и Safetensors, а также английский язык. Автор рекомендует использовать сэмплеры Euler a или DPM++ SDE Karras, CFG 7 и Clip Skip 2. Для портретов и пейзажей приведены рекомендуемые разрешения; для удалённых персонажей советуют применять Hires.fix, чтобы улучшить прорисовку лица и глаз. Модель распространяется по лицензии CreativeML Open RAIL-M. Результат зависит от формулировки запроса и настроек генерации; автор отмечает пользу Hires.fix для изображений с удалёнными персонажами.

Miril-Drone-2B-1 — компактная мультимодальная модель Miril.ai для анализа снимков с дронов. Это дообученная модель семейства Gemma 4, класса около 2 млрд параметров, с архитектурой Gemma4ForConditionalGeneration. Она принимает изображение и текстовую инструкцию, а в ответ может описать сцену, ответить на вопрос о видимых объектах или выдать грубую координатную подсказку в формате JSON. Модель рассчитана на просмотр кадров с высоты и сценарии помощи оператору: инспекции, первичную оценку обстановки, предварительный выбор зон доставки или посадки. Выпуск обучен и проверен для сочетания изображения и текста; наличие аудио- и видеокомпонентов в унаследованной архитектуре не означает поддержки таких входов в этой версии. Модель основана на подвыборке WALDO и может пропускать мелкие объекты, путать масштаб и переоценивать свободные участки. Координаты предназначены только как приблизительные ориентиры для проверки человеком, а не как команды управления полётом или гарантированные безопасные точки. Лицензия — Apache-2.0.

Miso Diffusion XL 1.0 — дообученная модель на базе Stable Diffusion XL Base 1.0, созданная для генерации изображений в стиле аниме по текстовым запросам. Автор описывает её как первую концептуальную модель серии и отмечает, что обучение пока не завершено и качество требует улучшения. Модель ожидает запросы с тегами в стиле Danbooru. В карточке приведены примеры тегов качества, эстетики и рейтинга, а также рекомендуемый порядок их размещения. Обучение проводилось на наборе из 172 тысяч изображений, включая общую часть и отдельную подборку эстетически высококачественных изображений; разрешение обучающих изображений составляло 1024×1024. Модель распространяется в форматах Diffusers и safetensors по лицензии OpenRAIL++. Модель предназначена для создания иллюстраций в стиле аниме, однако автор предупреждает о недостаточном обучении и необходимости дальнейших улучшений. README перечисляет теги рейтинга, включая NSFW, но не сообщает о наличии фильтрации генерируемого контента.