I.8Изображения и компьютерное зрение

Monet-Style Dreambooth — модель Lyith, обученная методом DreamBooth на базе Stable Diffusion для генерации изображений по текстовым описаниям в стиле Клода Моне. Её можно использовать для создания новых изображений с этим художественным стилем через интерфейсы A1111 или Diffusers. Модель работает с текстовым вводом и выдаёт изображения. В репозитории указаны форматы Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M; её условия регулируют использование и распространение модели.

Guizmus/MosaicArt — модель Stable Diffusion, дообученная автором Guizmus на изображениях мозаичного искусства. Она добавляет стиль мозаики к генерации изображений по текстовому запросу; для вызова стиля в запросе рекомендуется использовать токен «Mosaic Art». В карточке описаны версии V1 на базе Stable Diffusion 1.5 и V2 на базе Stable Diffusion 2.1 с разрешением 768 пикселей. Обучение проводилось на наборе из 46 изображений с полными подписями и сохранением исходных понятий; для генерации автор рекомендует сэмплеры k_Euler_a или DPM++ 2M Karras, 20 шагов и CFG 7.5. Модель предназначена для создания изображений в стиле мозаики по англоязычным текстовым описаниям и запускается через Diffusers. Репозиторий содержит форматы Diffusers, PyTorch и Safetensors. Лицензия — CreativeML OpenRAIL-M.

Карточка модели Rk501/NSFW-gen-v2 на Hugging Face совпадает с карточкой UnfilteredAI/NSFW-gen-v2, поэтому описание составлено по ней. NSFW-gen-v2 — модель генерации изображений по текстовому описанию, разработанная UnfilteredAI и основанная на дообучении PixelGen с использованием StableDiffusionXLPipeline. Она создаёт изображения по текстовым запросам, включая откровенный контент, и поддерживает стилизацию под 3D. В README указано 3,47 млрд параметров и формат FP16; метаданные указывают библиотеку Diffusers и форматы Diffusers и safetensors. Модель предназначена для генерации разнообразных изображений по промптам, в том числе изображений для взрослых. Карточка предупреждает об ограничении использования совершеннолетними согласно законам их юрисдикции. Лицензия обозначена как other, поэтому конкретные условия использования по доступным данным установить нельзя.

SDPrompt-RetNet-300M — языковая модель семейства RetNet, разработанная isek-ai и обученная с нуля для генерации текстовых промптов к моделям создания изображений. Для обучения использованы наборы Stable Diffusion Prompts и anime-prompts-180K; модель ориентирована на промпты для генерации изображений, включая описания в стиле аниме и теги Danbooru. Модель содержит 300 млн параметров согласно названию репозитория и доступна в форматах PyTorch и Safetensors для Transformers. В README приведён результат оценки: loss 0,3616. Модель принимает текст и генерирует текст. Лицензия репозитория — MIT. Данные не сообщают о длине контекста или гарантированном качестве на иных языках и типах задач.

Модель создана Pinguin как дообученная с помощью DreamBooth версия Stable Diffusion для генерации изображений в стиле карты мира Smario. Для создания изображения в нужном стиле в запросе следует использовать формулировку «a map in style of sks». Модель предназначена для генерации изображений по текстовому описанию. Репозиторий содержит модель в форматах Diffusers и PyTorch. Лицензия — MIT. Карточка не приводит сведения о размере модели, поддерживаемых языках или длине контекста.

Fluid Art model V1 — дообученная на изображениях fluid art модель Stable Diffusion 1.5 от Fictiverse для создания изображений по текстовым запросам в стиле жидкого искусства. Для получения этого стиля автор рекомендует добавлять в запрос слово FluidArt. Модель работает через StableDiffusionPipeline библиотеки Diffusers; в репозитории представлены форматы Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M. Модель предназначена для генерации художественных изображений с характерными для fluid art цветами и формами. Карточка не сообщает о специальных ограничениях применения или результатах оценки качества.

The-Owl-House-Diffusion — модель генерации изображений по текстовому описанию, созданная Theodora527 методом DreamBooth с помощью ноутбука TheLastBen fast-DreamBooth. Она предназначена для генерации изображений с концепцией, активируемой токеном «tohdana»: например, портретов эльфийской девушки или замка среди болот. Модель работает с Stable Diffusion через Diffusers и может использоваться для создания иллюстраций по текстовым запросам. Модель опубликована в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или поддерживаемые языки; английские примеры запросов показывают типичный формат использования.

TIPO-v2.1-1B-A200M — модель KBlueLeaf для оптимизации текстовых запросов к системам Text-to-Image. Она выполняет текстовое предварительное расширение: превращает короткий пользовательский запрос в более подробное описание перед передачей его диффузионной модели, стремясь повысить информативность, соответствие исходному запросу и сохранить разнообразие результатов. Модель обучена на данных подписей и метаданных изображений, включая Danbooru и наборы COYO, LAION и других источников. Это разреженная decoder-only языковая модель архитектуры KohakUwU MoE, основанной на DeepSeekMoE и реализованной в проекте KohakUwULLM. Она содержит около 990,8 млн параметров, из которых примерно 193,1 млн активируются на токен, а таблица эмбеддингов занимает около 50,3 млн параметров. Архитектура включает 16 слоёв, скрытый размер 768, 12 attention-голов, 2 KV-головы с GQA, QK-нормализацию, 64 маршрутизируемых эксперта с активацией top-8 и один общий эксперт. Контекст увеличен до 4096 токенов; модель работает в чистом fp16 без квантизированных матричных умножений. Версия v2.1 полностью переобучена на исправленном наборе данных и по сравнению с v2 лучше учитывает рейтинг безопасности, качество, количество персонажей и год публикации изображения. Она предназначена прежде всего для генерации и улучшения промптов, включая сценарии с booru-тегами и естественным языком. К ограничениям относятся специализированная направленность на оптимизацию промптов для Text-to-Image, англоязычные обучающие данные и отсутствие в представленных сведениях подтверждения поддержки других языков. Лицензия в README не указана.

TrOCR Javanese Aksara v6 — модель распознавания печатной яванской письменности Hanacaraka, разработанная thesimonharms и дообученная на базе microsoft/trocr-small-printed. Она принимает изображение одной короткой строки и генерирует её текстовую запись. Архитектура encoder-decoder Transformer включает визуальный энкодер DeiT-small с 12 слоями и входом 384×384, а также декодер TrOCR с 6 слоями; токенизатор дополнен 96 атомарными токенами яванских знаков. Модель рассчитана на чистые печатные строки длиной до 12 знаков, похожие на синтетические обучающие изображения. На выборке из 1500 строк того же синтетического домена заявлены точность полного совпадения 96% и частота ошибок символов 0,68%. Она подходит для распознавания заранее обрезанных строк и прототипирования OCR-конвейеров после детектора строк. Лицензия — MIT. Модель не распознаёт страницы и не включает детектор текста или разбор макета. Она не предназначена для рукописей, пальмовых рукописей, длинных строк, многостолбцовых документов, латиницы и архивных изображений; заявленные метрики относятся к синтетическому домену и не характеризуют качество на таких данных. Для инференса изображения нужно дополнить до квадратной формы перед обработкой TrOCRProcessor; неверное масштабирование или начальный токен декодера может резко ухудшить результат.

John6666/wai-nsfw-illustrious-sdxl-v150-sdxl — дообученная модель генерации изображений на основе OnomaAIResearch/Illustrious-XL-v1.0. Она предназначена для создания аниме-изображений по текстовым запросам, в том числе контента для взрослых. Репозиторий использует Diffusers и формат safetensors; модель относится к семейству Stable Diffusion XL. В метаданных указан английский язык. Лицензия отмечена как other, поэтому конкретные условия следует проверять в карточке модели. Подробности об архитектуре, размере и длине контекста в доступных источниках не подтверждены.

Woolitize — стильная модель для генерации изображений по тексту, созданная Jak_TheAI_Artist как обученный набор для Stable Diffusion 1.5. Для активации характерного стиля автор рекомендует включать в запрос слово «woolitize». В версии 1.0 модель обучалась на 117 изображениях в течение 8000 шагов; версия 1.2 использует изображения 768×768 и, по описанию автора, улучшает детализацию и фон. Модель предназначена для создания изображений в стиле Woolitize по текстовым запросам. Репозиторий представлен в форматах Diffusers и PyTorch; указана лицензия CreativeML OpenRAIL-M. Карточка упоминает также вариант для Stable Diffusion 2.0, но отмечает его несовместимость с Automatic1111 на момент публикации.

Модель создана hiero путём дообучения Stable Diffusion с помощью DreamBooth на концепции стиля мультсериала «Время приключений». Для генерации изображений по текстовому описанию используйте триггер `advtime style` в запросе. Модель предназначена для создания изображений в стиле «Времени приключений» через Stable Diffusion и Diffusers. Она распространяется в форматах Diffusers и PyTorch по лицензии MIT.

Amano-Diffusion — модель генерации изображений по текстовому описанию на основе Stable Diffusion, опубликованная RazzzHF. Она предназначена для создания иллюстраций с художественной манерой Ёситаки Амано: README рекомендует добавлять в запрос фразу «yoshitakaamano artstyle». Также доступна более широкая, тёмная и часто монохромная версия стиля; модификаторы «white background» и «colorful» помогают получить другие варианты оформления. Модель работает через Diffusers и PyTorch. В README приведены примеры на тему Final Fantasy и драконов, а также подсказки по настройке промптов: для слишком высветленных лиц предлагается использовать «overexposed» в негативном запросе. Репозиторий распространяется по лицензии CreativeML OpenRAIL-M.

RAT (RLHF-Aesthetic Tuned) — дообученная модель на основе crumb/bloom-560m-RLHF-SD2-prompter, предназначенная для синтеза текстовых промптов для Stable Diffusion с оптимизацией под эстетическую оценку. Разработчик сообщает, что модель обучалась на датасете Gustavosta/Stable-Diffusion-Prompts с размером батча 32 и скоростью обучения 0,0001; обновлялись только смещения и параметры LayerNorm. Архитектура — плотная BloomForCausalLM примерно на 659,6 млн параметров, контекст — 2048 токенов. Модель подходит для создания промптов изображений в характерной эстетике Stable Diffusion, включая стилизацию под популярную иллюстрацию. Разработчик отмечает склонность эстетического оценивания отдавать предпочтение изображениям женщин и повторяемость результатов, в частности сходство с эстетикой «trending on artstation». Лицензия — BigScience BLOOM RAIL 1.0.

Classic-Painting-Z-Image-Turbo-LoRA — адаптер LoRA для моделей генерации изображений, предназначенный для text-to-image задач. Модель опубликована под идентификатором renderartist/Classic-Painting-Z-Image-Turbo-LoRA; конкретный разработчик в README не указан. Адаптер используется с экосистемой Diffusers и добавляет к генерации визуальную стилистику классической масляной живописи. По примерам запросов модель ориентирована на создание портретов, сюжетных сцен и композиций в духе исторической живописи, включая выразительные лица, традиционную одежду, фактуру мазков, музейную состаренность и реалистичные детали. В ряде примеров упоминается влияние Jan van Eyck, а также встречаются отсылки к Jean-François Millet, однако README не описывает формальные ограничения или точный состав обучающих данных. Для активации стилистики в примерах используется ключевое слово class1cpa1nt. Архитектура базовой модели, количество параметров, поддерживаемые языки, максимальный контекст и точные модальности не указаны; из назначения следует поддержка текстового ввода и генерации изображений. Сильная сторона адаптера — специализация на классической живописной эстетике, портретах и детализированных сценах. Ограничения включают зависимость от совместимой базовой text-to-image модели и необходимость подбора параметров и промптов для получения нужного результата. Лицензия и условия коммерческого или иного использования в README не указаны.

Clean Diffusion 2.0 PoC — экспериментальная модель латентной диффузии от разработчика aipicasso, созданная как подтверждение концепции обучения Stable Diffusion на изображениях, заявленных как общественное достояние. Модель предназначена для генерации изображений по текстовым описаниям и, согласно карточке, ориентирована на изображения океана. Модель распространяется в форматах Diffusers и PyTorch, а её архитектура совместима с Stable Diffusion. Автор указывает лицензию OpenRAIL++ и сообщает, что обучение проводилось на наборах ArtBench и Popeye the Sailor Meets Sindbad the Sailor; подробности обучения и юридические сведения в карточке не раскрыты. Карточка не содержит данных о размере модели, контекстном окне или поддерживаемых языках.

Карточка модели hnnguyen/CyberRealisticPony на Hugging Face совпадает с карточкой cyberdelia/CyberRealisticPony, поэтому описание составлено по ней. CyberRealistic Pony — модель генерации изображений по текстовому описанию, созданная на основе Pony Diffusion с элементами CyberRealistic. Она предназначена для создания фотореалистичных изображений пони и персонажей, а также иллюстраций и концепт-арта. Модель распространяется в формате safetensors и включает встроенный VAE. Для генерации рекомендованы 30 и более шагов сэмплирования и разрешения 896×1152 или 832×1216. Модель специализируется на изображениях пони и может хуже справляться с абстрактными запросами и сюжетами, не связанными с пони; иногда освещение и текстуры получаются чрезмерно гладкими. Возможна генерация чувствительного контента. Лицензия — CreativeML Open RAIL-M.

Карточка модели rorge120ac/CyberRealisticPony на Hugging Face совпадает с карточкой cyberdelia/CyberRealisticPony, поэтому описание составлено по ней. CyberRealistic Pony — модель генерации изображений по текстовому описанию, созданная на основе Pony Diffusion с элементами CyberRealistic. Она предназначена для создания фотореалистичных изображений пони и персонажей, а также иллюстраций и концепт-арта. Модель распространяется в формате safetensors и включает встроенный VAE. Для генерации рекомендованы 30 и более шагов сэмплирования и разрешения 896×1152 или 832×1216. Модель специализируется на изображениях пони и может хуже справляться с абстрактными запросами и сюжетами, не связанными с пони; иногда освещение и текстуры получаются чрезмерно гладкими. Возможна генерация чувствительного контента. Лицензия — CreativeML Open RAIL-M.

Карточка модели ZeusAIWorld/CyberRealisticPony-v18 на Hugging Face совпадает с карточкой cyberdelia/CyberRealisticPony, поэтому описание составлено по ней. CyberRealistic Pony — модель генерации изображений по текстовому описанию, созданная на основе Pony Diffusion с элементами CyberRealistic. Она предназначена для создания фотореалистичных изображений пони и персонажей, а также иллюстраций и концепт-арта. Модель распространяется в формате safetensors и включает встроенный VAE. Для генерации рекомендованы 30 и более шагов сэмплирования и разрешения 896×1152 или 832×1216. Модель специализируется на изображениях пони и может хуже справляться с абстрактными запросами и сюжетами, не связанными с пони; иногда освещение и текстуры получаются чрезмерно гладкими. Возможна генерация чувствительного контента. Лицензия — CreativeML Open RAIL-M.

CCMat/fluffalpaca-llama-v2 — это модель генерации изображений на основе Stable Diffusion, созданная CCMat и дообученная методом DreamBooth на изображениях лам из набора CCMat/db-aplaca. Она предназначена для создания изображений концепта «fluffalpaca llama» по текстовым запросам; для вызова концепта в запросе используется фраза «a photo of fluffalpaca llama». Модель распространяется в формате Diffusers и PyTorch и основана на stabilityai/stable-diffusion-2. В карточке указана лицензия CreativeML OpenRAIL-M.

Fluffity — модель генерации изображений на основе Stable Diffusion 1.5, опубликованная lex-hue. Она предназначена для создания изображений по текстовым подсказкам, в том числе по коротким наборам тегов, и ориентирована на простой запуск без сложной настройки. Автор заявляет генерацию реалистичных изображений и поддержку как безопасного, так и откровенного контента; среди целевых сценариев — творческие проекты и furry-арт. Модель распространяется в формате safetensors через библиотеку diffusers под лицензией OpenRAIL. В карточке приведён пример портрета волка по трём словам. Автор предупреждает, что качество может различаться между версиями; примеры в карточке созданы версией v1.2.

Ar4ikov/gpt2-650k-stable-diffusion-prompt-generator — небольшая языковая модель на архитектуре GPT-2, созданная для генерации текстовых промптов для Stable Diffusion. Она принимает текст и продолжает его в виде промпта; контекст модели составляет 1024 токена. В метаданных указаны обучающие наборы промптов Stable Diffusion, включая Gustavosta/Stable-Diffusion-Prompts, bartman081523/stable-diffusion-discord-prompts и Ar4ikov/sd_filtered_2m. Модель опубликована в формате PyTorch и Safetensors и распространяется по лицензии MIT. README не содержит подробностей о качестве генерации или рекомендаций по настройке; применение лучше ограничить созданием англоязычных текстовых описаний для генерации изображений.

Это LoRA-адаптер abhinavreddy17 для генерации изображений с реалистичными изображениями счастливого лица. Адаптер обучен методом DreamBooth на базе Stable Diffusion XL Base 1.0 и предназначен для подключения к этой модели в Diffusers; для вызова нужного образа в запросе используется фраза «photo of happy face». Текстовый энкодер при обучении LoRA не затрагивался. Модель принимает текстовые запросы и создаёт изображения. Веса доступны в формате Safetensors, лицензия — OpenRAIL++. В карточке не приведены сведения о размере адаптера, поддерживаемых языках или контекстном окне. Примеры использования и описание ограничений в README не заполнены.

Hassanim — экспериментальная текстово-графическая модель на базе Stable Diffusion 1.5, созданная автором Yntec как попытка улучшить HassanBlend с помощью ReVAnimated. Автор сообщает, что итоговая модель примерно на 95% состоит из HassanBlend; в карточке также описан рецепт смешивания, но одна из использованных моделей для последнего этапа не записана. Модель предназначена для создания изображений по текстовым запросам, в частности иллюстраций в аниме- и художественной стилистике с персонажами и выразительными лицами. Автор сравнивал варианты на запросе об изображении девушки в уличной одежде в магазине и отмечает компромисс между качеством лиц и композицией: вариант RevHassanimated улучшает лица, но может ухудшать композицию. Репозиторий использует Diffusers, PyTorch и safetensors, а лицензия указана как CreativeML OpenRAIL-M. В карточке не приводятся сведения о размере модели и длине контекста; для генерации изображений ограничения прежде всего связаны с указанным автором компромиссом между лицами и композицией.

Модель TheLastBen/hrrzg-style-768px — дообученная версия Stable Diffusion 1.5 от TheLastBen для генерации изображений в стиле работ фотографа Фреда Херцога. Она обучена на 30 изображениях размером 768×768 в течение 12 000 шагов; текстовый энкодер обучался в начале и конце процесса. Модель принимает текстовый запрос и создаёт изображение, особенно подходящее для городских и уличных сцен, а также портретов в узнаваемой стилистике Херцога. Для городских сюжетов в README предлагается использовать слова «city», «road», «street» или «urban»; для передачи стиля — добавить к запросу триггер «hrrzg». Автор рекомендует включать Highres.fix и использовать разрешение выше 768×768. Модель доступна в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. Карточка не приводит отдельных оценок качества или дополнительных ограничений.

ShadoWxShinigamI/Midjourney-Splatter-Art — экспериментальная модель генерации изображений в стиле живописных брызг, связанная с эстетикой Midjourney-v4-PaintArt. Для вызова стиля в запросе используется токен mdjrny-splttr. Модель предназначена для преобразования текстовых описаний в изображения и доступна в форматах Diffusers, PyTorch и safetensors. Автор README называет модель незавершённой работой. Репозиторий распространяется по лицензии MIT; сведения о размере, архитектуре базовой модели, поддерживаемых языках и контексте не приведены.

Mr-Men-and-Little-Misses — модель генерации изображений по текстовому описанию, созданная fffiloni методом DreamBooth на базе Stable Diffusion с помощью fast-DreamBooth notebook от TheLastBen. Для генерации используйте шаблоны «Mr what you want» или «Little Miss what you want», например «mr tiger» или «little miss sunshine», чтобы создавать изображения в стилистике персонажей Mr. Men и Little Miss. Репозиторий содержит веса в форматах Diffusers и PyTorch и распространяется по лицензии CreativeML OpenRAIL-M. В README рекомендуется использовать более 30 шагов генерации для лучших результатов.

NSFW-gen-v2 — модель генерации изображений по текстовому описанию, разработанная UnfilteredAI и основанная на дообучении PixelGen с использованием StableDiffusionXLPipeline. Она создаёт изображения по текстовым запросам, включая откровенный контент, и поддерживает стилизацию под 3D. В README указано 3,47 млрд параметров и формат FP16; метаданные указывают библиотеку Diffusers и форматы Diffusers и safetensors. Модель предназначена для генерации разнообразных изображений по промптам, в том числе изображений для взрослых. Карточка предупреждает об ограничении использования совершеннолетними согласно законам их юрисдикции. Лицензия обозначена как other, поэтому конкретные условия использования по доступным данным установить нельзя.

nsfwv2-zit — LoRA-адаптер для генерации изображений по текстовому описанию, разработанный пользователем wolfer45. Модель предназначена для использования с базовой моделью Tongyi-MAI/Z-Image-Turbo в сценариях text-to-image через Diffusers. Для активации адаптера необходимо использовать триггерное слово nsfwv2-zit. README не содержит сведений о размере адаптера, точной архитектуре, поддерживаемых языках, длине контекста, дополнительных модальностях, сильных сторонах или ограничениях. Также условия лицензии и разрешённые сценарии использования не указаны, поэтому их следует уточнять отдельно перед применением модели.

PubMed-Ophtha CLIP ViT-B-32 — модель vision-language на базе CLIP, разработанная авторами исследования «Scientific Domain Knowledge Improves Vision-Language Fundus Models» и дообученная на научных текстах и изображениях из набора PubMed-Ophtha. Она предназначена для сопоставления изображений глазного дна с текстовыми описаниями и классификации изображений по текстовым меткам без отдельного обучения классификатора. В README сообщается о сравнении на 110 клинических задачах и шести наборах данных для изображений глазного дна; модель также подходит для исследований контрастивного обучения и поиска по сходству. Зрительный энкодер — ViT-B/32 с размером изображения 224×224 пикселя; текстовый энкодер — 12-слойный трансформер с контекстом 77 токенов. Размерность эмбеддингов — 512. Чекпойнт инициализирован весами OpenAI CLIP и дообучен на 96 916 парах PubMed-Ophtha. Лицензия — MIT. Это исследовательский ресурс, а не клиническая диагностическая система: авторы не валидировали его для постановки диагнозов и не рекомендуют использовать для ухода за пациентами. По README модель ориентирована на изображения глазного дна; хотя исходный набор включает OCT и другие типы изображений, применимость к ним в карточке не подтверждена.