I.8Изображения и компьютерное зрение

DeverStyle/Krea-2-Premium-Loras — набор экспериментальных LoRA-адаптеров для text-to-image и редактирования изображений на базе Krea-2-Raw. Модель разработана автором DeverStyle и предназначена для переноса стиля между двумя референсными изображениями, генерации персонажа Count BinFace, а также создания изображений в стилях Blue Eye Samurai, Cyanide & Happiness и Blueprint/Wireframe. Для активации адаптеров используются триггерные фразы KSTRANSFER, Count BinFace, dvr_bes_style, dvr_ch_style и dvr_wf_style. Style Transfer RC1 сохраняет композицию первого референса и применяет стиль второго; для работы рекомендуется использовать соответствующий workflow и Krea2 edit nodes from Ostris. Адаптер Cyanide & Happiness может лучше работать с добавлением stick figures, имеет смещение обучающего набора в сторону персонажей и может хуже справляться с запросами без людей или с чрезмерно реалистичными длинными промптами. В README не указаны размер, архитектурные детали самих LoRA, поддерживаемые языки и максимальный контекст. Модель распространяется по Apache-2.0, однако автор отдельно заявляет, что адаптеры созданы только для исследовательских, некоммерческих целей; некоторые из них могут быть основаны на защищённых авторским правом телесериалах, поэтому пользователь самостоятельно отвечает за соблюдение законодательства и возможные последствия.

newsletter/Krea-2-Turbo-unlocked — адаптация базовой модели krea/Krea-2-Turbo, представленная в формате LoRA для использования с библиотекой Diffusers. В README модель описана как вариант Krea 2 с изменениями, предназначенными для снятия ограничений, и ориентирована только на текстовую генерацию изображений (text-to-image, обозначено как txtfusion only). Разработчик модели явно не указан; указан только идентификатор автора или организации newsletter. Модель предназначена для сценариев генерации изображений по текстовым описаниям на базе Krea 2 Turbo. О применяемой архитектуре, размере, поддерживаемых языках, максимальном контексте и дополнительных модальностях данных нет. К ключевым ограничениям относятся узкая специализация на text-to-image и отсутствие подтверждённых сведений о качестве, совместимости, требованиях к ресурсам и особенностях использования. Лицензия в README не указана.

LittleGoldenBook — модель text-to-image от автора lucataco, обученная методом DreamBooth на базе Diffusers для воспроизведения стиля старых детских книг. Для генерации изображений достаточно добавить к текстовому запросу фразу «in littlegoldenbook style». Это экспериментальная пробная модель стилевого переноса; сведения об архитектуре базовой модели и поддерживаемых языках в карточке не приводятся. Репозиторий содержит веса в форматах Diffusers и PyTorch и распространяется по лицензии MIT.

M87 — это LoRA-адаптер для генерации изображений по текстовым описаниям, предназначенный для использования с экосистемой Diffusers. По примерам из карточки модель ориентирована на создание художественных и кинематографичных изображений с эстетикой аналоговой плёнки: портретов, fashion-сцен, силуэтов, ночных кадров, двойных экспозиций и драматичных сюжетов с выраженным светом, цветокоррекцией и зернистостью. Модель работает в сценариях text-to-image и, вероятно, подключается к базовой диффузионной модели как параметрический LoRA-модуль. Примеры демонстрируют акцент на тёплой винтажной цветопередаче, плёночном зерне, контрастном освещении, атмосферных композициях и реалистичной или экспериментальной фотографии. Точная базовая архитектура, размер адаптера, поддерживаемые языки, максимальный контекст и требования к вычислительным ресурсам в README не указаны. Сильная сторона модели — специализация на выразительной визуальной стилистике, включая lo-fi, cinematic и analog film aesthetics, а также на сценах с художественным освещением и сложным настроением. Ограничения связаны с отсутствием сведений о качестве на других типах изображений, совместимости с конкретными базовыми моделями и возможных ограничениях генерации. Лицензия и условия использования в предоставленной карточке не указаны.

MalwareDream_Final — аниме-модель для генерации изображений по текстовым описаниям, созданная Earth & Dusk. Это дообученная DreamBooth-модель Stable Diffusion, обучавшаяся в несколько этапов; автор сообщает о повторном обучении на более чем тысяче дополнительных изображений и использовании датасетов Nerfgun3/bad_prompt и gsdf/EasyNegative. Модель предназначена для создания изображений в аниме-стилистике по текстовым запросам. Репозиторий распространяет веса в форматах Diffusers, PyTorch и safetensors. Лицензия — CreativeML OpenRAIL-M; автор просит не перезагружать модель.

Malware_Dream_v2 — аниме-модель генерации изображений по текстовому описанию, созданная Duskfallcrew методом DreamBooth на базе Stable Diffusion и распространяемая в формате Diffusers/PyTorch. Она предназначена для создания стилизованных аниме-изображений по текстовым запросам. Модель опубликована под лицензией CreativeML OpenRAIL-M. В карточке упоминаются обучающие наборы bad_prompt и EasyNegative. Размер модели и длина контекста не указаны в доступных данных.

Noginowa/merge-experiment — это экспериментальный репозиторий слияний моделей генерации изображений от автора Noginowa. В карточке описаны варианты серии Anima: один ориентирован на выразительные художественные сцены, другой — на слегка полуреалистичные изображения, третий — на чёткую и ясную картинку. Модели принимают текстовые запросы и создают изображения; для работы в ComfyUI нужны соответствующие веса модели, текстовый энкодер и VAE из репозитория circlestone-labs/Anima. Для вариантов Anima указаны рекомендуемые CFG 4–5, около 30 шагов и сэмплеры ER SDE BETA или Euler A Normal. Репозиторий отмечен как экспериментальный, а версии v0.1 описаны как заменённые последующими релизами PrismPalette ANIMA v1, GleamPalette ANIMA v1 и ClearPalette ANIMA v1. Использование зависит от лицензии исходной серии: для Anima указана CircleStone Labs Non-Commercial License v1.2; общая метка лицензии репозитория — other.

Bingsu/my-korean-stable-diffusion-v1-5 — вариант Stable Diffusion v1.5 на базе runwayml/stable-diffusion-v1-5. Автор заменил текстовый энкодер и токенизатор на Bingsu/clip-vit-large-patch14-ko; модель работает в формате Diffusers и предназначена для генерации изображений по текстовым запросам. Модель можно использовать для создания иллюстраций и визуальных материалов для творческих и образовательных инструментов. Несмотря на замену энкодера на корейскую версию CLIP, исходная Stable Diffusion обучалась преимущественно на англоязычных описаниях, поэтому качество запросов на других языках, в том числе корейском, может быть ниже. Модель слабо справляется с точным текстом на изображениях, сложной композицией, лицами и фотореализмом. Веса выпущены по лицензии CreativeML OpenRAIL-M. В README отмечено, что в обучающей выборке LAION-5B встречались материалы для взрослых и дубликаты, из-за которых возможно запоминание изображений; для использования рекомендуется включать safety checker Diffusers и дополнительные меры безопасности. Автор указывает исследовательское назначение и перечисляет ограничения на вредоносное применение.

nanoVLM-SmolLM2-135M-siglip-base-patch16-224 — компактная мультимодальная модель для работы с изображениями и текстом, созданная в рамках проекта nanoVLM. Она объединяет визуальный энкодер ViT на базе SigLIP-B/16-224-85M с небольшой авторегрессионной языковой моделью SmolLM2-135M; общий размер составляет около 222 млн параметров. Модель реализована на чистом PyTorch, а архитектура и логика обучения проекта занимают около 750 строк кода, что делает её удобной для обучения и экспериментов. Модель принимает изображение вместе с текстовым запросом и формирует текстовый ответ, поэтому подходит для компактных сценариев визуального понимания и исследований мультимодальных моделей. Репозиторий содержит веса в формате safetensors. Лицензия — MIT. Данных о поддерживаемых естественных языках и длине контекста в предоставленной карточке нет.

nova-mature-xl-v30-sdxl — модель генерации изображений по текстовому описанию, созданная Crody и опубликованная пользователем John6666. Она предназначена для создания стилизованных изображений, включая аниме и иллюстрации с персонажами, позами и сценами в жанре фэнтези. Модель представляет собой слияние Laxhar/noobai-XL-1.1 и OnomaAIResearch/Illustrious-XL-v2.0, использует Stable Diffusion XL и загружается через Diffusers. В карточке указаны 3 млрд параметров и формат F16; доступны метки anime, mature, 2D и 2.5D. Для работы требуется текстовый промпт, результатом служит изображение. Лицензия — faipl-1.0-sd. Карточка не сообщает точные ограничения по разрешённым сценариям или гарантии качества; метка mature указывает на ориентацию на взрослую тематику.

Perfect RSB Mix Illustrious v4323 — модель для генерации изображений по текстовому описанию, опубликованная пользователем frakerkill_ и созданная на основе OnomaAIResearch/Illustrious-xl-early-release-v0. Модель предназначена для использования с библиотекой Diffusers и реализует StableDiffusionXLPipeline на архитектуре Stable Diffusion XL. Она ориентирована на создание иллюстраций в стилях anime, cartoon и game, включая изображения персонажей, girls и furry; в метаданных также отмечена категория контента для взрослой аудитории.

PixelArt.Redmond — это LoRA-адаптер для генерации изображений в стиле пиксель-арта. Модель разработана artificialguybr и основана на Stability AI Stable Diffusion XL 1.0; обучение проводилось на большом наборе данных. Для активации указан триггер PixArFK, а рекомендуемый пример запроса — «Pixel Art, PixArFK». Модель предназначена для text-to-image генерации изображений с использованием совместимого SDXL-совместимого интерфейса или библиотеки Diffusers. Ключевая сильная сторона модели — специализация на создании пиксельной графики, что делает её подходящей для игровых ассетов, иллюстраций и других визуальных материалов в этом стиле. README не содержит сведений о размере адаптера, точном контекстном окне, поддерживаемых языках запросов, конкретных ограничениях качества или рекомендуемых параметрах генерации, поэтому эти характеристики нельзя определить по имеющимся данным. Для работы требуется базовая модель Stable Diffusion XL 1.0. Лицензия — CreativeML OpenRAIL-M.

Qwen2.5-3B-Instruct-Flux — дообученная авторами репозитория mrkrak3n модель для составления подробных и образных текстовых промптов для генератора изображений Flux. Она основана на Qwen/Qwen2.5-3B-Instruct и обучена на наборе FluxDev ControlNet 16k и синтетических данных. Модель принимает текстовое описание сцены и развивает его в более детальный промпт; заявлены архитектура Qwen2 с плотной causal language model, 3,1 млрд параметров и контекст до 32 768 токенов. Модель предназначена для подготовки промптов к генерации изображений, в том числе для творческих сценариев и использования через ComfyUI с узлами ComfyUI-Qwen. Она генерирует текст, а не изображения. В README не описаны отдельные оценки качества или конкретные ограничения; лицензия в доступных данных не указана.

Qwen2.5-7B-Instruct-Uncensored-Flux — дообученная mrkrak3n диалоговая языковая модель для создания подробных и образных промптов к генератору изображений Flux. В основе лежит Orion-zhen/Qwen2.5-7B-Instruct-Uncensored: плотная архитектура Qwen2 с 7,1 млрд параметров, контекстом 32 768 токенов и форматом Safetensors. Модель принимает текстовые инструкции и описания сцен, а выдаёт развёрнутые текстовые промпты; обучение включало FluxDev ControlNet 16k и синтетические данные. Модель подходит для преобразования кратких описаний сцен в детализированные промпты и для диалоговой помощи при подготовке запросов к Flux. README также описывает интеграцию с ComfyUI через узлы ComfyUI-Qwen. Карточка не приводит оценок качества или подробных ограничений; uncensored указывает на отсутствие обычного фильтра отказов. Лицензия в предоставленных данных не указана.

Norod78/sd2-dreambooth-ClaymationXmas — модель преобразования текста в изображение, дообученная Norod78 для генерации изображений в стиле рождественской пластилиновой анимации. В карточке указано, что модель является fine-tune; примеры генерации представлены для WebUI AUTOMATIC1111. В репозитории используются Diffusers, PyTorch и safetensors. Модель предназначена для создания изображений по текстовым запросам с рождественскими мотивами и эстетикой claymation. Она основана на Stable Diffusion, однако конкретная базовая версия и размер модели в доступных сведениях не указаны. Лицензия — CreativeML OpenRAIL-M.

EpicSpaceMachine — дообученная модель Stable Diffusion от автора rabidgremlin для генерации изображений по текстовому описанию. Она обучена на изображениях космических кораблей и станций; для характерного стиля автор рекомендует добавлять в запрос токен EpicSpaceMachine. Модель также может создавать изображения сложных механических конструкций — например, двигателей, электроники и часовых механизмов — и поддерживает сценарий img2img. Модель распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. Карточка не сообщает размер модели, контекст или поддерживаемые естественные языки; качество описано автором неформально, без результатов систематической оценки.

ShareGPT4Video-8B — открытая видеоязыковая модель-чатбот, разработанная авторами ShareGPT4Video. Модель LLaVA на базе LLaMA с плотной архитектурой содержит 7,5 млрд параметров; её дообучили целиком на открытых инструкционных данных о видео. В карточке указаны наборы ShareGPT4Video и Lin-Chen/ShareGPT4V, а контекст составляет 8192 токена. Модель предназначена для диалога о видео: она принимает видеоданные и текстовые инструкции, чтобы описывать содержимое роликов и отвечать на вопросы о них. Основные сценарии — исследования крупных видеоязыковых моделей и прототипирование видеочатботов. README называет исследователей и энтузиастов компьютерного зрения, NLP и машинного обучения целевой аудиторией. Модель обучена в мае 2024 года и опубликована под лицензией Apache-2.0. Возможности и качество зависят от используемого видеопроцессинга и реализации из репозитория; README не приводит оценки качества и подробно не описывает ограничения модели.

SoteDiffusion Wuerstchen3 Decoder — модель генерации изображений, созданная как дообучение Würstchen V3. Она предназначена для создания аниме-иллюстраций по текстовым описаниям и распространяется в формате Diffusers с весами Safetensors. Для обучения использовались 512 тысяч изображений; обучение проводилось на одной AMD RX 7900 XTX с 24 ГБ памяти в течение 100 часов. Реалистичные изображения не оценивались, а при изображении персонажей издалека глаза могут получаться неудачно. Лицензия указана как other, поэтому условия использования следует уточнить в материалах репозитория.

Карточка модели Diankun/Spatial-MLLM-v1.1-Instruct-135K на Hugging Face совпадает с карточкой Diankun/Spatial-MLLM-subset-sft, поэтому описание составлено по ней. Diankun/Spatial-MLLM-subset-sft — дообученная мультимодальная модель семейства Qwen2.5-VL, предназначенная для анализа видео и ответов на вопросы о визуальной пространственной информации. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2_5_VL_VGGTForConditionalGeneration, работает через Transformers и принимает контекст до 128 000 токенов. Модель описана в работе Spatial-MLLM: Boosting MLLM Capabilities in Visual-based Spatial Intelligence. Она подходит для диалогового анализа видеосцен с пространственным содержанием и формирования ответов на естественном языке. Базовая модель — Qwen/Qwen2.5-VL-3B-Instruct. Репозиторий распространяется по лицензии MIT.

Карточка модели Diankun/Spatial-MLLM-v1.1-Instruct-820K на Hugging Face совпадает с карточкой Diankun/Spatial-MLLM-subset-sft, поэтому описание составлено по ней. Diankun/Spatial-MLLM-subset-sft — дообученная мультимодальная модель семейства Qwen2.5-VL, предназначенная для анализа видео и ответов на вопросы о визуальной пространственной информации. Модель содержит 3,1 млрд параметров, использует архитектуру Qwen2_5_VL_VGGTForConditionalGeneration, работает через Transformers и принимает контекст до 128 000 токенов. Модель описана в работе Spatial-MLLM: Boosting MLLM Capabilities in Visual-based Spatial Intelligence. Она подходит для диалогового анализа видеосцен с пространственным содержанием и формирования ответов на естественном языке. Базовая модель — Qwen/Qwen2.5-VL-3B-Instruct. Репозиторий распространяется по лицензии MIT.

StorybookRedmond — стильовая модель для генерации иллюстраций в духе детских книжек, подготовленная Yntec как LoRA, встроенная в Yntec/MapleSyrup. Она предназначена для создания мультяшных и книжных изображений по текстовым запросам; пример в карточке показывает сову в солнечных очках, а исходная версия стиля описана как LoRA для Liberte Redmond SD 1.5. Репозиторий предоставляет модель в форматах Diffusers и safetensors для использования с библиотекой Diffusers. Модель принимает текст и генерирует изображения. Лицензия — CreativeML OpenRAIL-M. Карточка не сообщает об ограничениях качества или тестировании; стиль ориентирован на иллюстрации детских книг.

Van Gogh Diffusion — модель генерации изображений по текстовому описанию, созданная Dallin Mackay на основе Stable Diffusion 1.5. Модель дообучена методом DreamBooth на кадрах фильма «Loving Vincent» и использует специальный токен «lvngvncnt» в начале запроса для передачи характерного живописного стиля фильма. Модель предназначена для создания портретов, пейзажей и других изображений в стиле «Loving Vincent». В README рекомендуются сэмплер Euler, 25 шагов и CFG scale 6; упомянута совместимость с Diffusers. Модель принимает текстовый запрос и выдаёт изображение. Возможные особенности генерации — преобладание синего оттенка и жёлтые лица; README предлагает при необходимости указывать эти признаки в негативном запросе. Лицензия модели — CreativeML OpenRAIL-M.

AbyssHellHero — текстовая модель генерации изображений на базе Stable Diffusion, опубликованная пользователем AIARTCHAN. Она создана слиянием LoRA с моделью AbyssOrangeMix2, а также компонентами Helltaker 0.27 и HeroAcademia 0.2; репозиторий содержит веса Diffusers, PyTorch и Safetensors, включая вариант FP16. Модель предназначена для создания изображений по текстовым запросам. Автор рекомендует использовать отрицательные эмбеддинги, например EasyNegative, и усиливать нужные теги весом от 1.1. Исходный вариант занимает около 7,7 ГБ, Safetensors — 4,27 ГБ, а FP16 — 2,13 ГБ. Лицензия CreativeML Open RAIL-M разрешает использование с соблюдением её условий и ограничений.

Карточка модели Kur0n1ko/animagine-xl-3.1 на Hugging Face совпадает с карточкой cagliostrolab/animagine-xl-3.1, поэтому описание составлено по ней. Animagine XL 3.1 — модель генерации изображений по текстовому описанию, разработанная Cagliostro Research Lab. Это дообученная на основе Stable Diffusion XL модель семейства Animagine XL, специализирующаяся на изображениях в стиле аниме и персонажах из известных аниме-сериалов. Авторы отмечают улучшенное понимание запросов, прорисовку рук и поддержку тегов качества, рейтинга, эпохи и эстетики. Модель предназначена для художников, поклонников аниме и создателей контента, которым нужно создавать или варьировать иллюстрации по текстовым запросам. Для более предсказуемого результата рекомендуется использовать подробные описания и теги в стиле Danbooru; модель доступна через Diffusers в форматах Diffusers и safetensors. Лицензия — CreativeML Open RAIL++-M, обозначенная в метаданных как openrail++. Модель ориентирована на аниме и не подходит для фотореалистичных изображений. Короткие или простые запросы могут давать слабый результат, а анатомия и руки всё ещё могут изображаться с ошибками. Возможна генерация NSFW-контента, в том числе без явного запроса.

Anime Illust Diffusion XL 0.8 (AIDXL) — модель генерации изображений по тексту, созданная для стилизованных аниме-иллюстраций. Это дообучение Stable Diffusion XL Base 1.0, распространяемое в форматах Diffusers и safetensors под лицензией other. Модель поддерживает более 800 стилей, вызываемых специальными словами-триггерами, и усиленное распознавание аниме-персонажей. Для запросов автор рекомендует перечислять теги через запятую и пробел; естественный язык тоже поддерживается. В карточке указаны рекомендации по CFG 5–11, площади изображения около 1024×1024 и нескольким методам сэмплирования. Упоминается английский язык запросов; сведения о контекстном окне отсутствуют.

ArtiWaifu Diffusion 2.0 — модель генерации изображений по текстовому запросу, разработанная Euge при финансировании Neta.art. Это дообученная версия ArtiWaifu Diffusion 1.0 на отобранном наборе из 2,5 млн аниме-изображений; модель построена на основе Stable Diffusion XL и работает через библиотеку Diffusers. Модель предназначена для создания аниме-иллюстраций по тегам или обычным текстовым описаниям. С помощью слов-триггеров можно задавать персонажей, художественные стили, сцены и другие элементы изображения. Разработчики отмечают улучшенную стабильность анатомии и поддержку более чем 9000 художественных стилей и 6000 персонажей. Для более предсказуемого результата рекомендуется перечислять теги через запятую и пробел; руководство предлагает генерацию примерно при разрешении 1024×1024. Модель специализируется на аниме-изображениях, а много персонажные сцены могут оставаться нестабильными. Карточка рекомендует краткие и узнаваемые негативные подсказки, поскольку избыток таких тегов способен ухудшить результат. Лицензия — Fair AI Public License 1.0-SD.

Модель s3nh/beksinski-style-stable-diffusion — дообученная версия Stable Diffusion v1.5, созданная для генерации изображений в стиле польского художника Здзислава Бексиньского. Для получения характерного эффекта автор рекомендует добавлять в текстовый запрос токены «beksinski style». Модель принимает текстовые описания и выдаёт изображения; она обучалась с использованием Diffusers и DreamBooth, с сохранением prior preservation loss и дообучением текстового энкодера. Модель подходит для создания сюрреалистичных художественных иллюстраций по текстовым запросам. Для запуска можно использовать StableDiffusionPipeline из библиотеки Diffusers; автор также упоминает возможность экспорта в ONNX, MPS и FLAX/JAX. Лицензия — CreativeML OpenRAIL-M. Качество и точность генерации зависят от формулировки запроса; README не приводит оценок качества или подробных ограничений.

ChenkinNoob-XL-V0.1 — диффузионная модель генерации изображений по тексту, разработанная командой ChenkinNoob на основе Laxhar/noobai-XL-1.1. Она обучена на датасетах изображений Danbooru с подписями в виде тегов и ориентирована на создание стилизованных, в том числе аниме-изображений по промптам и тегам. Модель принимает текстовые запросы и выдаёт изображения. Для генерации авторы рекомендуют CFG 5–6, 25–30 шагов сэмплирования Euler a и разрешение около 1024×1024; среди рекомендуемых соотношений сторон — 832×1216 и 1216×832. В README указано, что это независимый проект, не официальный выпуск Laxhar Lab. Коммерческое использование запрещено; для производных моделей и продуктов заявлены требования открытой публикации и соблюдения fair-ai-public-license. Модель может создавать неожиданные или вредоносные результаты, и пользователь принимает связанные с применением риски.

Classic Animation Diffusion — дообученная на скриншотах популярной анимационной студии модель Stable Diffusion от nitrosocke для генерации изображений по текстовому описанию. Для характерного визуального эффекта автор рекомендует добавлять в запрос фразу «classic disney style». Модель использует архитектуру Stable Diffusion и доступна в форматах Diffusers и PyTorch. В карточке приведены примеры генерации персонажей, животных, автомобилей и пейзажей; указаны настройки для изображений размером 512×704 и 704×512. Для работы можно использовать StableDiffusionPipeline из библиотеки Diffusers. Лицензия — CreativeML OpenRAIL-M. Результат зависит от формулировки запроса; модель настроена на стилизацию под классическую анимацию, поэтому она не предназначена для генерации изображений в произвольных стилях.

Cool Japan Diffusion for learning 2.0 — Alfred Increment разработал эту модель как дообученную версию Stable Diffusion v2 для генерации иллюстраций по текстовым запросам. Она предназначена прежде всего для японской аудитории и использует архитектуру Latent Diffusion Model с OpenCLIP-ViT/H; автор сообщает о дообучении VAE и U-Net на примерно 200 тысячах изображений иллюстраций и манги из Twitter. Модель можно запускать через Diffusers или веб-интерфейс для создания иллюстраций, творческих работ и учебных проектов. Карточка приводит сравнительную оценку CLIP Score, но предупреждает, что условия сравнения могли быть выгоднее для этой модели. Унаследованы смещения Stable Diffusion: в частности, возможен перекос в изображении мужчин и расовый дисбаланс; несмотря на специализацию на иллюстрациях, модель иногда генерирует изображения в фотореалистичном стиле. Автор ограничивает коммерческое использование, кроме оговорённых исключений, и требует соблюдать лицензию CreativeML Open RAIL++-M-NC и применимое законодательство.