I.8Изображения и компьютерное зрение

Kaltsitv2 — модель генерации изображений на базе Stable Diffusion, дообученная автором репозитория на концепции персонажа Kaltsit с помощью DreamBooth. Для вызова концепции в запросе используется слово «kaltsit»; модель предназначена для создания изображений персонажа по текстовым описаниям, включая иллюстрации и обои с заданной сценой, внешностью и художественным стилем. Обновление v2 увеличило размер обучающей выборки и, по словам автора, сделало результаты стабильнее; также изменены запрос и prior на cat girl. Модель распространяется в форматах Diffusers и PyTorch по лицензии MIT. Результаты зависят от формулировки запроса и могут включать взрослые визуальные элементы, показанные в примере автора.

Krea2 NSFW v3 — это LoRA-адаптер для генерации изображений на базе Krea-2-Raw, разработанный автором или организацией nnndite. Модель предназначена для сценариев text-to-image и подключается к пайплайнам Diffusers как дополнительный компонент, изменяющий поведение базовой модели. В README указано рекомендуемое значение силы применения адаптера в диапазоне от 0,8 до 2, однако подробности о влиянии этих значений не приведены. Данные о размере модели, архитектуре базовой модели, поддерживаемых языках, контекстных ограничениях и модальностях, помимо генерации изображений по тексту, отсутствуют. Модель опубликована под лицензией Apache-2.0; конкретные ограничения и особенности качества также не описаны.

melanoma-isic2019-vit384 — модель классификации изображений на базе Vision Transformer ViT, дообученная автором репозитория oscar2525mv на задачу выявления меланомы по изображениям кожи. Модель основана на google/vit-base-patch16-384, содержит 113,2 млн параметров и распространяется в формате Safetensors; для запуска предназначена библиотека Transformers. В README приведены результаты на оценочной выборке: AUC 0,9582, точность 0,9258, полнота 0,7434 и специфичность 0,9654. Это указывает на применение для экспериментальной классификации изображений в сценариях скрининга или поддержки анализа, но сама карточка не описывает набор данных и ограничения. Лицензия — Apache-2.0.

Midjourney-Rangoli — модель для генерации изображений по текстовому описанию, опубликованная ShadoWxShinigamI. Она обучена на базе Stable Diffusion v1.5: дообучение выполнено за 2240 шагов на 28 изображениях с разрешением 640×640. Для получения стиля Rangoli автор рекомендует начинать запрос с токена «Rangoli mdjrny-rngli»; при необходимости можно использовать взвешивание частей запроса. Модель предназначена для создания изображений в стиле ранголи по текстовым запросам. Репозиторий содержит веса в формате safetensors для использования с Diffusers. Лицензия — OpenRAIL. Небольшой обучающий набор ограничивает разнообразие и может влиять на точность следования сложным запросам; в README не приведены оценки качества или подробные ограничения использования.

My Pet Cat — дообученная модель Stable Diffusion для генерации изображений конкретной домашней кошки по текстовым запросам. Она использует архитектуру Stable Diffusion с компонентами U-Net, текстовым энкодером CLIP и VAE; веса доступны в форматах Diffusers и PyTorch. В README базовая модель указана как Stable Diffusion v1.5, причём эта связь обозначена как предполагаемая. Модель предназначена для создания портретов и изображений кошки в разных позах по английским промптам. Лучше всего она работает при разрешении 512×512 пикселей, но из-за переобучения на внешность конкретной кошки результаты для других кошек могут быть непредсказуемыми. Лицензия — CreativeML OpenRAIL-M.

NSFW-MASTER-Z-IMAGE-TURBO — LoRA-модель для генерации изображений по текстовому описанию, разработанная пользователем FanzCEO на базе Tongyi-MAI/Z-Image-Turbo. По заявлению автора, модель предназначена для создания NSFW-контента и может использоваться в сценариях text-to-image через экосистему Diffusers. Модель представляет собой адаптер LoRA, а не самостоятельную генеративную систему. В README не указаны размер адаптера, точная архитектура базовой модели, поддерживаемые языки, максимальный контекст или дополнительные модальности. Рекомендуемый вес применения — 0,8. Автор отмечает наличие небольших проблем, которые планировалось исправить в следующих обновлениях. Лицензия в карточке обозначена как unknown, поэтому условия использования и коммерческие права требуют отдельной проверки. README не содержит подробных результатов тестирования или формализованных ограничений качества.

P.A.W.F.E.C.T-Alpha — диффузионная модель для генерации изображений по текстовым тегам, обученная Lodestone Rock на 500 тысячах пар изображений и тегов из Furaffinity. Исходную концепцию и данные подготовил amogus__enjoyer. Модель рассчитана на создание furry-изображений, в том числе нишевых сюжетов и персонажей; в обучающие теги входят категории рейтинга general, mature и adult, а также теги художников, если они часто встречались в наборе данных. Модель находится на ранней стадии обучения: автор характеризует её как Alpha и ожидает улучшений после дополнительных эпох и расширения данных. Теги Furaffinity дают широкий охват редких сюжетов, но могут быть менее точными, чем теги e621; автор рекомендует объединять модель с FluffyRock для большего контроля над запросами. README описывает использование в Automatic1111 с файлами safetensors и YAML, а метаданные указывают форматы Diffusers, Flax, PyTorch и safetensors. Лицензия — WTFPL.

Roy PopArt Diffusion — модель генерации изображений на основе Stable Diffusion 1.5, дообученная автором ItsJayQz методом DreamBooth на поп-арт работах Роя Лихтенштейна и других художников. Для обращения к стилю в запросе используется токен «roypop style». Модель предназначена прежде всего для создания портретов в эстетике поп-арта по текстовому описанию. Качество результатов может быть нестабильным: для подходящего изображения часто требуется подбирать формулировки запроса и генерировать несколько вариантов. Иногда модель создаёт реалистичных людей на фоне в стиле поп-арт; автор отмечает, что её ещё можно улучшить. Модель распространяется по лицензии CreativeML OpenRAIL-M, условия которой включают ограничения на использование.

E621 Rising v1 — модель генерации изображений на основе Stable Diffusion 2.1, разработанная Hearmeneigh и дообученная на отобранных изображениях из E621. Она создаёт изображения по текстовым запросам, особенно с антропоморфными персонажами и тегами, характерными для разметки E621. Модель обучалась 19 эпох на наборе из 5 356 тегов и рассчитана на генерацию изображений размером 512×512 пикселей. Модель предназначена для создания фурри-арта, включая откровенный контент. В README указано, что эта версия устарела и уступает более новой версии 2. Поддерживаются Diffusers и интерфейс stable-diffusion-webui; веса доступны в форматах Diffusers, PyTorch и safetensors. Лицензия в предоставленных данных не указана.

NeuronZero/SkinCancerClassifier — модель классификации изображений на базе Swin Transformer, дообученная разработчиком на наборе Pranavkpba2000/skin_cancer_dataset для распознавания меланомы по фотографии поражённого участка кожи. Архитектура Swin формирует иерархические признаки, объединяя патчи изображения, и применяет оконное внимание; в метаданных указано 58,7 млн параметров. Веса доступны в формате safetensors. Модель предназначена для классификации изображений кожи в исследовательских и вспомогательных сценариях. Она не заменяет медицинскую диагностику: карточка не приводит метрики качества или сведения о клинической проверке. Лицензия — Apache-2.0.

Модель nqvii/swin-tiny-rice-disease-results — дообученная версия Swin-Tiny от Microsoft для классификации изображений болезней риса. Она построена на архитектуре Swin Transformer и содержит около 33 млн параметров; модель предназначена для анализа изображений растений и отнесения их к классам из набора rice-diseases-image-dataset. На указанной в карточке оценочной выборке модель получила accuracy 0,8898, F1 0,8879, recall 0,8885 и loss 0,5802. Это может быть полезно для предварительной сортировки снимков при мониторинге посевов и поддержке оценки состояния растений. Результаты на других наборах данных и в полевых условиях могут отличаться. Модель принимает изображения и выдаёт метки классов. Для работы используется библиотека Transformers, веса представлены в формате safetensors. Лицензия — Apache-2.0.

Модель jefsnacker/azzy создана jefsnacker и chel-z как версия Stable Diffusion, дообученная методом DreamBooth на 12 изображениях кота по имени Azriel. Для генерации изображений используйте в запросе концепт «photo of azzy cat»; пример карточки показывает стилизованное изображение кота в образе персонажа аниме. Модель предназначена для создания изображений Azriel по текстовым описаниям через библиотеку diffusers и формат PyTorch. Лицензия — CreativeML OpenRAIL-M.

ChexFract-MAIRA-2 — разработанная Институтом AIRI специализированная медицинская модель «изображение—текст» для выявления переломов на рентгенограммах грудной клетки и генерации их описаний. Это дообученная версия с визуальным энкодером Rad-DINO из MAIRA-2 и языковой частью Phi-3.5 Vision Instruct; параметры энкодера разморожены при обучении на наборе ChexFract с использованием шаблонного текста. В метаданных указаны архитектура phi3_dino, 3,7 млрд параметров, библиотека Transformers и контекст 4096 токенов. Модель предназначена для анализа рентгеновских снимков грудной клетки и подготовки текстового описания возможных переломов. В README для неё приведены ROC-AUC 0,713, F1 0,629 и точность 0,748. Это экспериментальная исследовательская разработка: авторы прямо предупреждают, что модель не предназначена для самостоятельной диагностики и не должна применяться клинически без надлежащей валидации и регуляторного одобрения. Лицензия в предоставленных сведениях не указана.

0Tick/e621TagAutocomplete — дообученная модель distilgpt2, созданная для автодополнения тегов e621 в расширении promptgen для AUTOMATIC1111 WebUI. Она генерирует продолжение текста по последовательности тегов; при обучении использовались исходные теги случайных публикаций e621, записанные с подчёркиваниями и пробелами. Модель построена на архитектуре GPT-2 и рассчитана на контекст до 1024 токенов. Модель подходит для подсказок и продолжения тегов при составлении промптов для генерации изображений. В карточке приведены результаты оценки: loss 4.3983 и accuracy 0.3865. Она унаследовала ограничения языковых моделей GPT-2: может воспроизводить смещения обучающих данных и выдавать недостоверный текст. Обучена на тегах e621; лицензия — MIT.

L2a-T/Flux_Lustly.ai_Uncensored_nsfw_v1 — модель для генерации изображений по текстовому описанию, разработанная Lustly.ai. Она ориентирована на создание откровенного контента, включая наготу и эротические сцены, и предназначена для сценариев, где требуется uncensored-генерация изображений с различными персонажами, локациями, художественными стилями и композициями. Модель представлена в формате LoRA и использует Stable Diffusion-совместимый стек Diffusers с FluxPipeline. В качестве базовой модели указана black-forest-labs/FLUX.1-dev. Поддерживается текстовая модальность на входе и генерация изображений на выходе; сведения о размере адаптера, максимальном контексте и поддерживаемых языках в README не приведены. Примеры демонстрируют фотореалистичные, кинематографические и стилизованные сцены, в том числе в эстетике VHS и фэнтези. Сильной стороной модели является специализация на откровенных и нецензурируемых изображениях, а также совместимость с экосистемой LoRA и Diffusers. Ограничения включают отсутствие подробных данных о требованиях к ресурсам, параметрах инференса, качестве на разных разрешениях и языковой поддержке. Модель распространяется по лицензии creativeml-openrail-m; условия использования следует учитывать при создании и публикации контента.

GirlsLike — набор LoRA-адаптеров для генерации изображений на основе текстовых описаний. Разработчик в README явно не указан; репозиторий содержит материалы, перенесённые со страницы пользователя hl3131 на Civitai. Адаптеры предназначены для использования с базовой моделью black-forest-labs/FLUX.1-dev через библиотеку Diffusers. Модель ориентирована на создание изображений конкретных людей, перечисленных в примерах README, включая ZhaoWei, LinXinru, GongLi, ZhangZiyi и других. Для разных персон используются отдельные идентификаторы LoRA, например girlslikeflux_zw или girlslikeflux_gl. В README отмечена совместимость отдельных адаптеров с несколькими моделями, однако точные параметры инференса, размер адаптеров, требования к памяти, поддерживаемые языки и размер контекстного окна не указаны. Сильной стороной набора является специализация на воспроизведении внешности представленных персон и наличие многочисленных визуальных примеров. Ограничения связаны с зависимостью от FLUX.1-dev, отсутствием подробных инструкций по применению и неполной информацией о качестве, обучающих данных и ограничениях использования образов людей. Указанная лицензия — Apache-2.0.

Nail Set Diffusion — дообученная модель Stable Diffusion, созданная Weekend и Hyacinth для генерации изображений дизайна ногтей по текстовым описаниям. Для получения характерного эффекта авторы рекомендуют добавлять в запрос токен {Nail Set}; можно задавать тему, стиль и цветовую гамму маникюра. Модель обучена на наборе изображений nail sets с подписями, созданными CLIP Interrogator, примерно в течение 10 000 шагов с помощью EveryDream Finetune Script. Она использует формат Diffusers и PyTorch. Лицензия — OpenRAIL.

Tryptophobitize-768px v.1.0 — дообученная модель генерации изображений на основе Stable Diffusion 1.5, созданная автором репозитория plasmo. Она предназначена для создания изображений с мотивами трипофобии: чтобы вызвать этот эффект, в запрос добавляют слово «tryptophobitize»; автор отмечает, что иногда требуется увеличить его вес. Модель обучали на 70 изображениях с разрешением 768 пикселей в течение 5000 шагов, включая 350 шагов обучения текстового энкодера. Распространяется в формате Diffusers/PyTorch по лицензии CreativeML OpenRAIL-M.

Wriggly's-Extra-Gum-artstyle-waifudiffusion — модель преобразования текста в изображения, созданная Kagerage методом DreamBooth на базе Yiffy-e18 с помощью fast-DreamBooth notebook от TheLastBen. Она предназначена для генерации иллюстраций в стилистике каракулей и линейного рисунка, напоминающей рисунки на упаковке жевательной резинки Wrigley's Extra; для активации стиля рекомендуется использовать триггер gvgtgm. Модель рассчитана прежде всего на изображения антропоморфных и обычных животных, включая персонажей фурри, в различных сценах и одежде. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors; для работы заявлена лицензия CreativeML OpenRAIL-M. Модель специализируется на узком стиле и персонажах: генерация неантропоморфных фурри может даваться ей сложнее.

Wriggly’s Extra Gum Artstyle Ponydiffusion — модель DreamBooth, созданная Kagerage на базе Pony Diffusion v2 с помощью Fast DreamBooth notebook от TheLastBen. Она генерирует изображения по текстовым запросам в характерной манере грубо нарисованной иллюстрации, напоминающей рисунки на упаковке жевательной резинки Wrigley’s Extra. Для воспроизведения стиля в запросе рекомендуется использовать триггер «gvgtgm» вместе с описанием традиционной печатной графики и линейного рисунка; модель ориентирована на изображения пони, в том числе антропоморфных персонажей. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Модель распространяется по лицензии CreativeML OpenRAIL-M. Лучше всего модель справляется с антропоморфными пони; автор отмечает, что получить обычных, неантропоморфных пони затруднительно. Рекомендуемое значение CFG — 7.

Wriggly's-Extra-Gum-artstyle-waifudiffusion — DreamBooth-модель Kagerage, дообученная на базе Waifu Diffusion 1.3 для генерации изображений в стиле необычных нарисованных от руки иллюстраций с обёрток жевательной резинки Wrigley's Extra. Модель принимает текстовые запросы и предназначена для создания изображений с персонажами в аниме-стиле, сочетая этот характерный стиль с описанием персонажей, одежды и окружения. Для выраженного сходства с обучающими изображениями автор рекомендует добавлять триггерное слово «gvgtgm» и формулировки «lineart drawing» или «badly drawn lineart drawing». Модель распространяется в формате Diffusers и Safetensors и использует лицензию CreativeML OpenRAIL-M. В README также приведены советы по выбору формулировок и sampler; количественные сведения о размере и контексте для этой модели неприменимы к генерации изображений.

Модель yuk/fuyuko-waifu-diffusion — дообученная с помощью DreamBooth версия WaifuDiffusion для Stable Diffusion, созданная для генерации иллюстраций黛冬優子 (Фуюко Маюдзуми), персонажа THE iDOLM@STER SHINY COLORS. Модель распространяется в форматах Diffusers и PyTorch и принимает текстовые описания для создания изображений. Она предназначена для создания изображений этого персонажа и иллюстраций в связанном с ним стиле. В README отмечено, что авторские права на изображения, похожие на Фуюко Маюдзуми, могут принадлежать Bandai Namco Entertainment Inc. Модель распространяется по лицензии bigscience-bloom-rail-1.0.

Модель carlosabadia/hasbulla разработана Carlos Abadia в рамках DreamBooth Hackathon. Это Stable Diffusion, дообученная методом DreamBooth на изображениях Хасбуллы для генерации изображений по текстовому описанию. Для вызова изученного образа в запросе рекомендуется использовать фразу «hasbulla person». Модель предназначена для создания изображений с этим персонажем, в том числе в разных стилях и сценах. Файлы представлены в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M.

minimaxH3_Collection — коллекция LoRA-моделей для генерации изображений, разработанная пользователем или организацией lynaNSFW. В качестве базовой модели указана pmczip/MiniMaxH3_LoRAs. Коллекция предназначена для задач text-to-image в экосистеме Diffusers и объединяет различные LoRA, включая новые или регулярно изменяющиеся варианты, совместимые с MiniMax H3. В README не указаны точное количество компонентов коллекции, их архитектурные параметры, размеры, поддерживаемые языки, длина контекста или модальности сверх генерации изображений по тексту. В качестве примера приведена LoRA с триггером cumshot; содержимое коллекции может включать материалы для NSFW-сценариев. Сильная сторона модели — объединение нескольких адаптаций в одном наборе, однако состав коллекции и поведение отдельных LoRA могут изменяться, а качество и совместимость требуют проверки для каждого компонента. Лицензия и условия использования в README не указаны.

Kathir56 разработала модель классификации изображений листьев сельскохозяйственных растений на базе MobileNetV2, дообученной на датасете PlantVillage. Модель относит изображения к 38 классам болезней или здорового состояния растений; среди культур, значимых для сельского хозяйства Тамилнаду, перечислены томат, кукуруза, виноград, перец, картофель и цитрусовые. Также набор классов включает яблоню, чернику, вишню, персик, малину, сою, тыкву и клубнику. Модель предназначена для распознавания болезней по фотографии листа, в том числе в мобильных и периферийных приложениях. В README указаны 2,3 млн параметров, точность 97,31% и взвешенная F1-мера 97,31% на описанной тестовой выборке; метаданные указывают формат safetensors и библиотеку PyTorch. Лицензия — Apache-2.0. Результаты следует считать классификацией по ограниченному набору из 38 классов, а не универсальной диагностикой растений. README рекомендует дополнительно адаптировать модель на полевых снимках Тамилнаду и отмечает, что текущий набор не охватывает ряд важных местных культур, включая рис и сахарный тростник.

Qwen Image Japanese Female Anatomy Realism NSFW LoRA v1 — адаптер LoRA от автора perpetual3x для базовой модели Qwen/Qwen-Image-2512, предназначенный для генерации фотореалистичных изображений взрослых женщин с более естественной анатомией и японским или восточноазиатским визуальным контекстом. Модель ориентирована на работу в сценариях text-to-image через Diffusers и может использоваться самостоятельно либо совместно с другими совместимыми LoRA для персонажей, стилей и NSFW-контента. Адаптер обучен на 99 изображениях с Rank 32 в течение 8 000 шагов на NVIDIA RTX PRO 6000 Blackwell с 96 ГБ памяти. Специальное триггерное слово не требуется: автор рекомендует использовать обычные описательные промпты на английском языке и начинать с веса 0,6–0,9. В метаданных указаны английский, японский, французский и испанский языки. Контекстная длина не указана. Сильные стороны модели — акцент на натуральной текстуре кожи, складках, асимметрии, анатомической согласованности и реалистичной фотографии, включая японские интерьеры и культурные сцены. Ограничения связаны с небольшим объёмом обучающих данных: возможны переобучение, повторение поз и освещения, утечки японского визуального контекста, а также анатомические сбои при фронтальном ракурсе, боковой позе, сильном перекрытии и чрезмерно высоком весе. Лицензия qwen-image-japanese-female-anatomy-realism-nsfw-lora-v1-non-commercial разрешает только некоммерческое использование.

shirayu/sd-tohoku-v1 — модель генерации изображений по текстовому описанию, созданная Shirayu на основе Stable Diffusion с дообучением DreamBooth. Она предназначена для создания иллюстраций с персонажами проекта Tohoku Zunko: Тохоку Итако, Тохоку Дзунко, Тохоку Киритан, Дзунда-мон в человеческом облике и Сикоку Метан. Для задания персонажа используются триггерные слова itako, zunko, kiritan, zundamon и metan; модель также принимает описания сцены и визуального стиля на английском языке. Обучение проводилось на 69 изображениях размером 512×512, а базой послужила Nilaier/Waifu-Diffusers. Модель доступна в форматах Diffusers и PyTorch; лицензия — CreativeML Open RAIL-M 1.0. Для изображений с персонажами проекта необходимо учитывать правила их использования. В README отмечено, что официальные костюмы могут генерироваться реже, поскольку обучающие изображения включали разнообразные варианты одежды.

shirayu разработал sd-tohoku-v2 — модель генерации изображений на основе Stable Diffusion, дообученную методом DreamBooth на иллюстрациях персонажей проекта Tohoku Zunko. Она предназначена для создания аниме-иллюстраций этих персонажей по текстовым запросам: для каждого из 11 персонажей в запросе используется специальное имя-триггер, например zunko, kiritan или zundamon. Модель основана на Waifu Diffusion 1.4 Anime Epoch 1; для обучения использовали 111 изображений. Доступны веса в форматах Diffusers и PyTorch, а лицензия — CreativeML Open RAIL-M 1.0. Обучающие изображения включают варианты костюмов, поэтому официальные костюмы могут генерироваться хуже. Автор не утверждает, что версия v2 во всём превосходит v1, и рекомендует выбирать между ними по ситуации. При использовании изображений персонажей следует соблюдать руководство проекта Tohoku Zunko по использованию персонажей, а также применимые законы и правила.

Это пользовательская DreamBooth-модель для Stable Diffusion 1.5, созданная taytay4eva с помощью блокнота fast-DreamBooth от TheLastBen. Она дообучает базовую модель для генерации изображений, связанных с Тейлор Свифт; ключевое слово для вызова образа — taySwift. Репозиторий содержит веса в форматах Diffusers и PyTorch. Модель предназначена для создания портретов и сцен с этим образом по текстовым запросам, в том числе фотореалистичных и фантазийных иллюстраций. В README также описан вариант Taylor Berry — сочетание исходной модели с Berry_mix в пропорции 7:3, которое автор считает более плавным. Указана лицензия CreativeML Open RAIL-M; README не приводит отдельных гарантий качества или подробных условий использования.

DarthZhu/VideoRLVR-Wan2.2 — модель генерации видео на основе Wan2.2-TI2V-5B, оптимизированная методом обучения с подкреплением. Она предназначена для задач визуального рассуждения, в которых модель строит видеотраектории, проверяемые по правилам. В обучении использованы SDE-GRPO и плотные декомпозированные награды с правиловым feedback; оптимизация сосредоточена на ранних шагах денойзинга. Модель рассчитана на процедурно создаваемые задачи вроде лабиринтов, FlowFree и Sokoban. Метаданные указывают задачу image-to-video, библиотеку Diffusers, формат Safetensors и лицензию Apache-2.0. Указана производная связь с DarthZhu/VideoRLVR-Wan2.2-Base; README называет исходной основой Wan2.2-TI2V-5B.