I.8Изображения и компьютерное зрение

Pic X Real — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Карточка содержит примеры промптов для создания фотореалистичных и детализированных sci-fi сцен, включая инопланетные города, экзокостюмы и персонажей в необычных костюмах. Модель распространяется в формате Diffusers с весами safetensors и использует StableDiffusionPipeline. Примеры демонстрируют генерацию цифрового искусства с акцентом на фотореализм, высокое разрешение и проработанные детали. Лицензия — creativeml-openrail-m.

Qwen-Image-2512-Pixel-Art-LoRA — адаптер LoRA для генерации изображений на основе базовой модели Qwen/Qwen-Image-2512. Модель разработана пользователем или организацией prithivMLmods и предназначена для text-to-image-сценариев, в которых требуется стилизация изображений под пиксель-арт, включая классическую 8-битную и детализированную 16-битную эстетику. Для активации стиля в запросе рекомендуется использовать триггерное слово «Pixel Art». Адаптер подходит для создания персонажей, животных, предметов, пейзажей, сцен из игр и ретро-иллюстраций. В README указано, что для инференса рекомендуются размеры 1280×832 и 1024×1024, а также 45–50 шагов генерации; при использовании Lightning/Turbo-адаптеров заявлен диапазон 4–8 шагов. Технические параметры обучения включают Network Dim 64, Network Alpha 32, 50 обучающих изображений и 25 эпох. Сильная сторона модели — специализированная передача пиксельной стилистики на широкий набор сюжетов при сохранении возможностей базовой модели. Ограничения и точные характеристики базовой архитектуры, число параметров, поддерживаемые языки и максимальная длина текстового контекста в README не указаны. Модель распространяется по лицензии Apache-2.0.

Tune-A-Video-library/redshift-man-skiing — модель генерации видео по тексту на базе nitrosocke/redshift-diffusion. Она создана с использованием подхода Tune-A-Video: базовую модель диффузии изображений адаптировали для генерации видео и настроили на запрос «a man is skiing». Примеры показывают лыжника в образах известных персонажей и в стиле Redshift, ориентированном на детализированные 3D-рендеры. Модель предназначена для создания коротких тематических видеосцен по текстовым запросам. Репозиторий содержит веса в форматах Diffusers и PyTorch; лицензия — CreativeML OpenRAIL-M. В карточке не приведены сведения о размере модели и длине контекста.

Это экспериментальная конверсия модели Flux для генерации изображений по текстовому описанию. Модель создана TheGreatOne321 на основе оригинальной модели, однако её идентификатор и метаданные не раскрывают точную базовую модель.

Модель sanderland/science-sobotta-anatomical-drawings — версия Stable Diffusion, дообученная автором на концепции sbtstyle методом DreamBooth. Она предназначена для создания изображений анатомических рисунков по текстовым запросам; для воспроизведения стиля в запрос добавляют формулировку «an anatomical drawing in the style of sbtstyle». Модель распространяется в форматах Diffusers и PyTorch и создана в рамках DreamBooth Hackathon. Обучающий набор основан на изображениях анатомических рисунков Sobotta; автор указывает, что исходные изображения имеют разное число каналов и для подготовки данных требуется преобразование в оттенки серого с тремя каналами. Лицензия — CreativeML OpenRAIL-M. Модель ориентирована на стилизованную генерацию анатомических иллюстраций; README не сообщает размер модели, длину контекста или языковой охват.

Simple Diffusion XS (SDXS) — компактная модель генерации изображений по тексту от AiArtLab, представленная как экспериментальный проект. Она содержит 1,5 млрд параметров; в качестве текстового энкодера используется Qwen3 объёмом 0,6 млрд параметров, а для декодирования изображений — Simple VAE с конфигурацией 8×16 каналов. Модель распространяется в формате Diffusers с весами Safetensors и лицензией Apache-2.0. Модель предназначена для быстрого создания изображений по текстовым запросам. Её обучали около трёх месяцев на 2–4 видеокартах RTX 5090, используя более миллиона изображений разных разрешений и стилей, преимущественно аниме и иллюстрации. Разработчики ориентируют проект на компактное обучение с использованием потребительских видеокарт. Карточка указывает на ограниченный охват понятий из-за небольшого набора данных. Поскольку в обучающих изображениях преобладают аниме и иллюстрации, качество и разнообразие результатов для других тем могут быть ограничены.

SPYBG's Toolkit for Digital Artists V35 — модель генерации изображений из текста на базе Stable Diffusion, предназначенная для цифровых художников. По карточке, версии модели сохранены в форматах Safetensors и Diffusers; для улучшения персонажей можно использовать ключевое слово TK_CHAR, а для фонов — TK_ENV. Примеры охватывают концепт-арт окружений и персонажей, городские сцены, портреты и фотореалистичные пейзажи. Модель рассчитана на создание иллюстраций по текстовым запросам. Лицензия — CreativeML OpenRAIL-M.

Tarsier-34b — открытая крупная видеоязыковая модель, предназначенная прежде всего для описания видео и понимания его содержания. Модель обучена в июне 2024 года и рассчитана на исследователей и энтузиастов в области компьютерного зрения, обработки естественного языка и машинного обучения. Модель использует двухэтапное обучение: предварительное многозадачное обучение на 13 млн примеров и настройку по инструкциям на 500 тыс. примеров. При обучении замораживалась ViT, а проекционный слой и LLM обучались. В README заявлены результаты уровня SOTA на шести открытых бенчмарках; оценивание включало описание видео и видеовопросы-ответы. Метаданные указывают pipeline text-generation, поддержку чата и формат safetensors. Лицензия — Apache-2.0. Модель подходит для генерации описаний роликов и ответов на вопросы о видео. README обозначает её как исследовательскую, но не приводит ограничений по длительности видео, контексту или языкам, поэтому эти характеристики здесь не уточняются.

ViTucano-2b8-v1 — мультимодальная модель семейства Tucano, разработанная TucanoBR на базе Tucano-2b4 с помощью TinyLLaVA Factory. Она объединяет языковую модель с визуальной башней SigLIP и предназначена для исследований и разработки мультимодальных моделей, изначально обученных на португальском языке. Модель содержит около 2,88 млрд параметров, использует архитектуру TinyLlavaForConditionalGeneration и поддерживает контекст до 4096 токенов. Модель может описывать изображения и отвечать на вопросы о них на португальском языке. Она обучалась на GigaVerbo, ViTucano-Pretrain и ViTucano-SFT. Лицензия — Apache 2.0. Авторы не позиционируют её как готовый продукт для взаимодействия с пользователями; для прикладного применения требуется собственная оценка рисков и качества.

Voxel-ish Image Pack — набор для генерации изображений в стиле воксельной графики, созданный Jak_TheAI_Artist для Stable Diffusion. Для активации стиля в запросе используется триггер «voxel-ish»; автор также рекомендует добавлять «intricate detail» для получения более детализированных, полуреалистичных изображений. Модель предназначена для генерации изображений по текстовым запросам с помощью StableDiffusionPipeline. Для обучения использованы 143 изображения и 8000 шагов; в 20% обучающих текстов применялся текст, подготовленный автором. Репозиторий содержит файлы в форматах Diffusers и PyTorch. Модель распространяется по лицензии CreativeML OpenRAIL-M. Карточка не описывает конкретные параметры базовой модели или ограничения по качеству и применению.

WAN 2.2 QX Text Encoders (GGUF) — набор квантизированных текстовых энкодеров для системы генерации видео WAN 2.2 QX. Репозиторий опубликован пользователем или организацией wangkanai и содержит варианты архитектуры UMT5-XXL в формате GGUF, предназначенные для преобразования текстовых запросов в эмбеддинги. Энкодеры используются в сценариях text-to-video и image-to-video через пайплайн WAN 2.2 QX в библиотеке Diffusers. Доступны варианты квантования от Q3_K_S до Q8_0 с размером примерно от 2,7 до 5,7 ГБ и ориентировочным потреблением видеопамяти от 3 до 7,5 ГБ. Квантование снижает требования к памяти по сравнению с FP16, позволяя выбирать компромисс между размером модели, скоростью и качеством понимания запросов. Указаны архитектура UMT5-XXL примерно на 13 млрд параметров без квантования, контекст до 512 токенов, словарь более чем из 250 000 токенов и поддержка более 100 языков. Сильными сторонами набора являются мультиязычное понимание текста, несколько уровней точности и возможность запуска на видеокартах с ограниченной VRAM. Ограничения связаны с тем, что это не самостоятельная модель генерации, а компонент пайплайна WAN 2.2 QX; для работы также требуются совместимые Diffusers-компоненты и подходящее оборудование. Для минимального варианта заявлены 4 ГБ VRAM и 8 ГБ оперативной памяти, для более качественных вариантов рекомендуется 8–12 ГБ VRAM и более. В метаданных указана лицензия other, однако её конкретные условия в README не раскрыты. В репозитории представлены восемь вариантов энкодера, а их общий объём составляет около 30,2 ГБ.

AAM XL AnimeMix — модель генерации изображений по текстовому описанию на базе Stable Diffusion XL, дообученная разработчиком Lykon на stabilityai/stable-diffusion-xl-base-1.0. Она предназначена для создания изображений в аниме-стиле по текстовым промптам и используется через библиотеку Diffusers; веса доступны в форматах Diffusers и safetensors. Модель рассчитана на художественную генерацию изображений, в частности иллюстраций и артов в стилистике аниме. Карточка указывает лицензию Fair AI Public License 1.0-SD. В README не приведены сведения о длине контекста или конкретных ограничениях качества.

Anima-2.9B — модель для генерации изображений по текстовому описанию, созданная автором карточки как дообучение и расширение circlestone-labs/Anima. Она предназначена прежде всего для аниме, иллюстраций и другого нефотореалистичного искусства. Модель использует архитектуру AnimaDiT: глубина трансформера увеличена с 28 до 40 слоёв, а размер составляет около 2,9 млрд параметров. Для продолжения обучения использованы 1,7 млн дополнительных примеров аниме и иллюстраций; в подписях смешаны теги и естественный язык. Модель поддерживается в ComfyUI и Forge-Neo. Для более управляемой композиции и деталей README рекомендует подробно описывать сцену, персонажей и их принадлежность к произведениям; короткие запросы могут давать простые фоны и менее точный результат. Репозиторий содержит веса safetensors. Лицензия указана как other, поэтому конкретные условия использования следует проверять на странице модели и базовой модели.

Animagine XL — разработанная Linaqruf модель генерации изображений по тексту, дообученная на Stable Diffusion XL 1.0 на тщательно отобранном наборе изображений в стиле аниме. Это латентная диффузионная модель для создания и изменения изображений по текстовым запросам; она поддерживает теги Danbooru и рассчитана на высокое разрешение, включая изображения 1024×1024 и разные соотношения сторон. Модель подходит для создания персонажей, иллюстраций и сцен в аниме-стилистике через Diffusers, Stable Diffusion WebUI или ComfyUI. Для получения ожидаемого стиля README рекомендует использовать теги Danbooru вместо обычных описаний на естественном языке. Модель распространяется в формате safetensors и доступна по лицензии CreativeML Open RAIL++-M. Модель наследует ограничения Stable Diffusion XL 1.0; README не уточняет их подробнее.

Anime Blend ARBlend Semi-Realistic Illustrious XL v10 SDXL — модель генерации изображений из текстового описания, созданная rIn_x0 на основе OnomaAIResearch/Illustrious-xl-early-release-v0. Модель предназначена для работы через Diffusers и использует StableDiffusionXLPipeline; её специализация — аниме, реалистичные и полуфотореалистичные изображения в стиле Illustrious.

s3nh/artwork-arcane-stable-diffusion — дообученная модель Stable Diffusion v1.5, созданная автором репозитория для генерации изображений в стиле произведений Arcane. Для получения эффекта автор рекомендует добавлять в текстовый запрос токен «arcane style». Модель принимает текстовые запросы и генерирует изображения; она обучена с использованием библиотеки Diffusers и подхода DreamBooth, с сохранением prior preservation loss и дообучением текстового энкодера. Репозиторий содержит веса в форматах Diffusers и PyTorch. Модель распространяется по лицензии CreativeML OpenRAIL-M.

AutismMix Pony SDXL — модель генерации изображений по текстовому описанию, опубликованная пользователем John6666 на Hugging Face. Это вариант AutismMix Pony, основанный на Pony Diffusion XL и созданный как слияние Pony V6 с LoRA. Автор описывает цель варианта как повышение предсказуемости генерации при сохранении понимания запросов и знания художественных стилей; он также отмечает совместимость с некоторыми стилевыми LoRA для Pony Diffusion. Модель принимает текстовые промпты и создаёт изображения, в частности иллюстрации в аниме-стиле. Доступна в формате Diffusers и SafeTensors, используется через StableDiffusionXLPipeline. Карточка Hugging Face указывает лицензию faipl-1.0-sd. Автор рекомендует применять теги качества в стиле Pony V6 и предупреждает, что некоторые негативные промпты и эмбеддинги могут ухудшать результат.

Boreal-Qwen-Image — экспериментальная LoRA-модель, разработанная пользователем kudzueye для базовой модели Qwen/Qwen-Image. Она предназначена для генерации изображений по текстовому описанию в фотореалистичной стилистике, включая портреты, повседневные сцены, людей, животных и объекты. Для активации рекомендуется использовать триггерное слово photo. Модель относится к семейству diffusion LoRA и предназначена для работы с экосистемой Diffusers и ComfyUI. Точные сведения о размере, архитектуре LoRA, поддерживаемых языках, максимальном контексте и дополнительных модальностях в README не указаны. Автор рекомендует экспериментировать с комбинированным применением нескольких LoRA: общую дискретную LoRA подключать с силой около 1.0, а portrait blend high rank — примерно 0.6–0.8. Модель находится на стадии тестирования и разработки. Её сильной стороной является возможность адаптировать Qwen-Image к фотографическому стилю и экспериментировать с портретными и сюжетными изображениями, однако стабильность и качество результатов пока не гарантируются. Автор отмечает, что для достижения лучших результатов может потребоваться совместное использование LoRA и значительное количество экспериментов. Лицензия и условия коммерческого или иного использования в README не указаны.

Cyberpunk Anime Diffusion — модель генерации изображений в аниме-стиле на тему киберпанка, опубликованная DGSpitzer. Она создана дообучением Waifu Diffusion V1.3 с использованием DreamBooth и Stable Diffusion V1.5 New VAE. Модель принимает текстовые запросы и генерирует изображения; для усиления авторского иллюстративного стиля в запросе рекомендуется использовать ключевое слово «dgs». Репозиторий содержит файлы для Diffusers и checkpoint, совместимые со стандартными пайплайнами Stable Diffusion. Модель рассчитана на создание киберпанк-персонажей, прежде всего аниме-портретов и иллюстраций. Карточка не сообщает размер модели или длину контекста. Лицензия — CreativeML Open RAIL-M; ограничения использования следует сверять с условиями этой лицензии.

Dash Waifu Diffusion Mix (Dash WDM) — набор смешанных моделей на базе Stable Diffusion 1.5 от LucasDash, ориентированный на дизайн персонажей. Основная версия создана слиянием собственной обученной модели автора и BasilMix с помощью U-Net Blocks Weight Merge; также представлены варианты Ink для аниме и мультяшной стилистики, Paint для реалистичной цифровой живописи и Counterfeit, смешанный с моделью Counterfeit от gsdf. Модель предназначена для генерации изображений по текстовым запросам. В README приведены примеры генерации и рекомендации по настройкам сэмплера, CFG и VAE для рисованного и реалистичного стилей. Репозиторий использует библиотеку diffusers и содержит веса в формате safetensors; лицензия — CreativeML OpenRAIL-M. Указанные стилистические предпочтения не гарантируют одинакового результата для всех запросов и настроек.

DetailAsianRealistic_v2.5_hinablue — модель генерации изображений по текстовому описанию на базе Stable Diffusion, опубликованная пользователем digiplay. Автор сообщает, что это смесь нескольких моделей; рекомендованный пример промпта описывает реалистичный портрет девушки в лесу с белыми крыльями и платьем. Модель предназначена для создания реалистичных детализированных изображений людей и художественных сцен. Автор отмечает, что, несмотря на название, она лучше подходит для генерации европейских лиц; одного ключевого слова «1girl» недостаточно, поэтому рекомендуется добавлять подробности внешности, окружения и стиля. Репозиторий содержит веса в форматах Diffusers и Safetensors. Лицензия указана как other, поэтому условия использования следует уточнить на странице модели; сведений о размере, длине контекста и конкретных компонентах смеси в предоставленных данных нет.

DucHaitenDarkside — версия модели DucHaitenAIart от автора DucHaiten, предназначенная для генерации изображений с мрачной атмосферой и драматичной кинематографичной подачей. Модель использует Stable Diffusion и доступна в форматах Diffusers, PyTorch и Safetensors. Она принимает текстовые запросы на английском языке и генерирует изображения. Подходит для создания атмосферных иллюстраций и сцен с выразительным драматическим настроением. Лицензия — CreativeML OpenRAIL-M.

Emi 3 (Ethereal master of illustration 3) — модель генерации изображений по тексту, разработанная компанией AI Picasso на базе Stable Diffusion 3.5 Large. Она предназначена прежде всего для создания иллюстраций в японском художественном стиле, включая аниме и мангу. Архитектура использует Rectified Flow Transformer и текстовые энкодеры OpenCLIP ViT/G, CLIP-L и T5; модель распространяется в форматах Diffusers и safetensors и рассчитана на работу через ComfyUI или библиотеку Diffusers. Модель принимает текстовые запросы примерно до 200 слов. README сообщает об обучении на наборе примерно из 3 000 вручную и 400 000 автоматически собранных изображений после исключения изображений Danbooru, размещённых без разрешения. Среди сценариев применения — создание иллюстраций, эскизов и изображений для творческих проектов. Модель лучше подходит для японских иллюстративных изображений, чем для фотореализма; генерация рук может быть неточной. В README указан язык японский, а метаданные карточки отмечают английский. Лицензия обозначена как Stability AI Community License; для производных изображений следует соблюдать применимые законы и условия лицензии. Модель не предназначена для передачи вымышленных сведений за факты, публикации цифровых подделок или распространения запрещённого контента.

Esthetic Retro Anime — модель генерации изображений по текстовому описанию в формате Diffusers, опубликованная пользователем Yntec. Примеры в карточке указывают на ретро-аниме и мультяшную эстетику; модель предназначена для создания иллюстраций по промптам. Репозиторий содержит веса в формате safetensors и относится к семейству Stable Diffusion. Модель помечена тегами Anime, Vintage и Sexy. Доступна по лицензии CreativeML OpenRAIL-M, условия которой ограничивают некоторые способы использования и распространения.

MirageML/fantasy-scene — модель генерации изображений на основе Stable Diffusion, дообученная разработчиком MirageML методом DreamBooth для понятия Fantasy Scene. Для генерации используйте текстовый запрос с триггером fantasy_scene, например «a photo of fantasy_scene». Карточка также предлагает исследовать преобразование текста в 3D на платформе Mirage, но не утверждает, что репозиторий содержит модель генерации 3D.

Flux-Long-Toon-LoRA — адаптер LoRA, разработанный prithivMLmods для генерации изображений в стилистике длинных мультяшных персонажей и 3D-подобных toon-образов. Модель предназначена для text-to-image сценариев на базе black-forest-labs/FLUX.1-dev и подключается к нему через Diffusers. Для активации эффекта используется триггерная фраза «Long toons». Примеры показывают портреты и изображения персонажей, кукол, животных и игровых фигурок, включая крупные планы и сцены с окружением. Обучение выполнено на 15 изображениях с использованием текстовых описаний на английском языке, созданных с помощью Florence2. Указаны параметры LoRA: network dimension 64, alpha 32, 18 эпох, 3270 шагов и оптимизатор AdamW. Рекомендуемые размеры изображений — 768×1024, стандартный — 1024×1024. Веса доступны в формате Safetensors. Модель всё ещё находится на стадии обучения и не является финальной версией, поэтому возможны артефакты и нестабильное качество в отдельных случаях. README не содержит сведений о поддерживаемых языках интерфейса, кроме английских обучающих описаний, а также не уточняет системные требования. Лицензия указана как creativeml-openrail-m.

Это LoRA-адаптер для генерации изображений на основе текстовых описаний, предназначенный для использования с моделью black-forest-labs/FLUX.1-schnell через библиотеку Diffusers. Разработчик — пользователь furaidosu; название модели указывает на специализацию в стилистике векторных иллюстраций, однако README не содержит подробного описания обучения или архитектуры адаптера. В метаданных указаны английский язык и pipeline text-to-image. Модель предназначена для создания цифровых мультяшных и иллюстративных изображений, включая персонажей, хоррор- и dark fantasy-сцены, с выразительными чертами, чёткими линиями, насыщенными цветами и зернистой атмосферой. Для активации стиля указан instance prompt «in a dark fantasy style, grainy». Среди примеров есть изображения мальчика с белой кошкой, гротескных хоррор-персонажей и карикатурных портретов. Рекомендуемый размер генерации в конфигурации — 1024×1024 пикселя. К сильным сторонам относятся ориентация на узнаваемую стилизацию, поддержку текстового управления и совместимость с экосистемой Diffusers. Ограничения, точный размер LoRA, параметры обучения, требования к памяти, качество на других разрешениях и степень сохранения векторного вида в README не указаны. Модель распространяется по лицензии flux-1-dev-non-commercial-license; использование ограничено условиями этой лицензии.

TheLastBen/froggy-style-v21-768 — это дообученная модель Stable Diffusion V2.1 от TheLastBen для генерации изображений по текстовым запросам. Она обучена на 11 изображениях Midjourney размером 768×768: выполнено 1300 шагов обучения модели и 300 шагов обучения текстового энкодера. Для вызова усвоенного стиля в запросе можно использовать триггер «ttdddd»; карточка также приводит примеры описательных промптов для получения детализированных изображений с кинематографическим освещением. Модель предназначена для создания изображений в усвоенном стиле и обучения собственным концепциям с помощью fast-DreamBooth. Репозиторий представлен в форматах Diffusers и PyTorch и распространяется по лицензии CreativeML OpenRAIL-M. Обучение на небольшом наборе изображений ограничивает разнообразие усвоенного стиля и может приводить к повторению черт исходных примеров.

LykosAI/GPT-Prompt-Expansion-Fooocus-v2 — текстовая генеративная модель на архитектуре GPT-2, созданная как сторонняя версия модели расширения промптов из проекта Fooocus. Она предназначена для преобразования коротких запросов в более развернутые описания, пригодные для генерации изображений. Модель принимает текст и генерирует текст; длина контекста составляет 1024 токена. Репозиторий содержит веса PyTorch. Лицензия — AGPL-3.0. В README нет сведений о конкретных языках или иных ограничениях качества, поэтому здесь они не уточняются.

Krea-2-LoRA-neondrip — адаптер LoRA, разработанный Krea для модели Krea-2. Он предназначен для генерации изображений в pipeline text-to-image и добавляет к базовой модели характерный стиль neondrip с текстурированной абстрактной визуальной подачей, неоновыми акцентами и эффектом стекающей краски. Активация стиля выполняется триггерной фразой «Textured abstract style». Адаптер обучен на Krea-2-Raw, а использовать его рекомендуется с чекпойнтом Krea-2-Turbo. Вес адаптера поставляется в файле neondrip.safetensors. В демонстрационных примерах он применялся с Krea2Pipeline, 8 шагами инференса, guidance_scale 0.0 и весом LoRA 1.0. Модель поддерживает англоязычные текстовые запросы и предназначена для создания стилизованных сцен, пейзажей, портретов и других изображений. Для работы требуется совместимый стек Diffusers и базовая модель Krea-2-Turbo; самостоятельное использование адаптера без неё не предусмотрено. Лицензия указана как krea-2-community-license.