I.8Изображения и компьютерное зрение

Waifu Diffusion 1.5 Beta — модель генерации изображений по текстовому описанию, основанная на Stable Diffusion и представленная проектом Waifu Diffusion. Это незавершённая бета-версия; карточка рекомендует генерировать изображения при разрешении примерно от 500 до 1000 пикселей с последующим увеличением в 2 раза через latent upscale hiresfix. В репозитории есть чекпойнты, совместимый с WD 1.4 VAE и эмбеддинги wdgoodprompt и wdbadprompt, помогающие формировать запросы. Модель предназначена для создания изображений в эстетике аниме по текстовым промптам. Она распространяется в форматах Diffusers и safetensors. Лицензия указана как other, поэтому условия использования следует проверять на странице модели. Поскольку это незавершённый бета-чекпойнт, качество генерации и требования к промптам могут быть нестабильными.

YiffyMix v31 — модель генерации изображений по текстовому описанию в формате Stable Diffusion 1.5. Карточка описывает её как уменьшенную по размеру версию с теми же результатами и встроенным VAE MoistMixV2. Модель предназначена для создания стилизованных изображений в аниме и furry-эстетике по промптам; в примере показан персонаж в мультяшном стиле. Модель распространяется в форматах Diffusers и Safetensors и использует библиотеку Diffusers. Лицензия — CreativeML OpenRAIL-M. В карточке нет сведений о точном размере, контексте или поддерживаемых естественных языках; качество зависит от формулировки промпта.

3DThinker-Mindcube — чекпойнт первой стадии обучения фреймворка 3DThinker, представленного в работе «Think with 3D: Geometric Imagination Grounded Spatial Reasoning from Limited Views». Модель разработана на базе Qwen2.5-VL-3B-Instruct и предназначена для пространственных рассуждений о трёхмерной геометрии по изображениям с ограниченным числом ракурсов. В рамках подхода VLM использует геометрическую информацию из изображений без явных 3D-входных данных и размеченных 3D-обучающих примеров. Это плотная мультимодальная модель Qwen2.5-VL с 3,1 млрд параметров и контекстом до 128 000 токенов. Чекпойнт соответствует стадии supervised alignment 3D-латентов; для обучения использован набор Mindcube_Train, а для оценки — MindCube-Tiny. Модель принимает изображения и текстовые запросы и выдаёт текстовые ответы. Репозиторий содержит веса safetensors, библиотека — Transformers. Лицензия Apache-2.0. Авторы отмечают, что конфигурация обучения отличается от использованной для таблицы 2 в статье.

Animagine XL 3.0 — диффузионная модель генерации изображений в стиле аниме по текстовым запросам, разработанная Cagliostro Research Lab на основе Stable Diffusion XL и дообученная на Animagine XL 2.0. Она предназначена для создания аниме-иллюстраций и лучше понимает аниме-концепции, интерпретирует структурированные теги и генерирует руки по сравнению с предыдущей версией. Модель рассчитана на промпты с упорядоченными тегами и поддерживает разные соотношения сторон, включая квадратный формат 1024×1024. README рекомендует CFG около 5–7, менее 30 шагов сэмплирования и Euler Ancestral. Модель не ориентирована на фотореализм или свободный естественный язык; сложные позы могут приводить к ошибкам анатомии, а малоизвестные персонажи могут быть представлены хуже. Лицензия — Fair AI Public License 1.0-SD. В README отмечен риск непреднамеренной генерации контента для взрослых, особенно при использовании тегов качества; предлагаются управляющие рейтинговые теги для снижения этого риска.

Ojimi разработал anime-kawai-diffusion — модель генерации изображений в аниме-стиле по текстовым запросам. Она работает через Stable Diffusion Pipeline в библиотеке Diffusers и рассчитана на создание иллюстраций с тегами, характерными для Danbooru и NovelAI. Модель понимает запросы на английском языке; длинные описания могут давать менее точный результат. Модель подходит для создания персонажей и других художественных изображений. Автор рекомендует CFG scale 7,5, 28 шагов генерации и Clip skip 2. Среди известных ограничений — потеря деталей, размытие, деформация анатомии и ошибки вроде лишних пальцев. В обучающих данных присутствовал контент для взрослых, поэтому результат может быть неприемлемым для всех возрастов. Модель разрешено копировать и дорабатывать на условиях лицензии CreativeML Open RAIL-M; автор также просит указывать его в кредитах при публикации объединённой модели.

Anmokomergetest1 — слитая модель Stable Diffusion 1.x для генерации аниме-изображений по текстовым описаниям. Автор карточки указывает, что модель создана из Anything-V3.0 от Linaqruf, momoko-e и частной модели mergetest1; также заявлено, что это разрешённая копия частной модели сообщества NovelAI 中文频道. Репозиторий содержит варианты CKPT и safetensors; последний включает VAE, а CKPT рассчитан в том числе на дальнейшее слияние с другими моделями. Модель предназначена для создания ярких детализированных изображений в аниме-стиле, в том числе по коротким промптам. В README рекомендованы разрешение 1024×1024, 12–28 шагов, sampler DPM++ SDE Karras и CFG 5–11; Hires.fix можно использовать для увеличения изображения. Лицензия — CC BY-NC 4.0, коммерческое использование запрещено. Автор предупреждает о снижении качества при слишком низком или высоком разрешении, проблемах с глазами на низком разрешении и возможных анатомических ошибках, включая деформированные конечности. В обучающих данных, согласно карточке, есть изображения, защищённые авторским правом.

Anything-XL β4 — модель генерации изображений по текстовому описанию на базе Stable Diffusion XL. Автор собрал её слиянием нескольких SDXL-моделей, включая Animagine XL V3, Pony V6 и BAXL BArtstyle XL v2; в карточке указано, что это четвёртая тестовая версия, которую автор счёл приемлемой для использования. Модель ориентирована на создание изображений в аниме-стилистике. Подсказки с указанием периода помогают задавать более современный или ретро-визуальный стиль; автор рекомендует структурированные промпты, отрицательные подсказки и разрешения выше 1024×1024, хотя некоторые крупные и вытянутые размеры могут ухудшать композицию. Репозиторий содержит веса в форматах Diffusers, PyTorch и safetensors. Это слияние экспериментальных вариантов: автор отмечает, что при объединении могли потеряться отдельные метки, а некоторые подсказки могут требовать усиления. Модель способна создавать контент для взрослых по соответствующим промптам. В README упоминается Fair AI Public License 1.0 для SD и требование раскрывать рецепт слияния для моделей, созданных на её основе.

Archer Diffusion — модель генерации изображений от nitrosocke, полученная дообучением Stable Diffusion на кадрах мультсериала «Арчер». Для стилистического эффекта в запрос рекомендуется добавлять токен «archer style». Модель предназначена для создания портретов, пейзажей, животных и других изображений с визуальной стилистикой сериала; она работает как конвейер StableDiffusionPipeline из библиотеки Diffusers и выдаёт изображения по текстовому описанию. Модель обучена методом DreamBooth с сохранением исходного распределения и дообучением текстового энкодера в течение 4000 шагов. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M; ограничения лицензии следует учитывать при использовании и распространении сгенерированных материалов.

Avatar Diffusion — модель генерации изображений в стиле фильма «Аватар: Путь воды», опубликованная riccardogiorato. Это дообученная методом DreamBooth Stable Diffusion 1.5, обученная более чем на 50 изображениях из трейлера фильма. Модель принимает текстовые запросы и генерирует изображения; для вызова характерного стиля в запросе рекомендуется использовать ключевую фразу «avatartwow style». Автор указывает библиотеку Diffusers и формат PyTorch. Модель распространяется по лицензии CreativeML OpenRAIL-M.

BPModel — экспериментальная модификация Stable Diffusion от Crosstyan на основе ACertainty Джозефа Ченга. Модель предназначена для генерации изображений по текстовым описаниям, прежде всего в аниме-стилистике. Автор обучал её на 5 тысячах отобранных изображений с теговыми аннотациями из Sankaku Complex; набор данных опубликован как Crosstyan/BPDataset. Модель распространяется в формате Diffusers и Safetensors. В обучении использовались разрешения 512, 768 и 1024 пикселя с подбором пропорций; автор сообщает, что вариант с разрешением 768 дал лучшие результаты, чем 512, а обучение на 1024 не показало заметного улучшения. Лицензия — CreativeML OpenRAIL-M. Модель может добавлять детали, не соответствующие запросу, и склонна к переобучению из-за сравнительно небольшого набора данных. Возможны анатомические ошибки, повторение фрагментов обучающих изображений и дрейф языковых подписей; имена художников могут некорректно обрабатываться токенизатором. Для файла bp_1024_e10.ckpt требуется отдельно подключить VAE.

Yntec/ClayStyle — модель генерации изображений из текста в формате Diffusers, созданная слиянием чекпойнтов Stable Diffusion. Автор описывает её как стилистическую модель: добавление фразы «Clay Style» в запрос активирует эффект пластилиновой или глиняной CGI-эстетики, подходящей для персонажей, животных и сцен. Примеры включают чиби-персонажей, предметы и изометрические фоны. В README указана цепочка смешивания LoRA Clay Style с A-ZovyaRPGV3 и GenerateMe, а затем объединения полученных чекпойнтов; отдельно приложена промежуточная версия ClayStyleAlpha. Репозиторий содержит веса Diffusers в формате safetensors. Лицензия — CreativeML Open RAIL-M. Карточка не сообщает ограничений по качеству или конкретных требований к запуску.

prithivMLmods/Coloring-Book-Flux-LoRA — LoRA-адаптер для базовой модели black-forest-labs/FLUX.1-dev, разработанный пользователем или организацией prithivMLmods. Он предназначен для генерации изображений в стиле раскраски по текстовым описаниям, включая чёрно-белые контурные рисунки и карандашные наброски с различными объектами, персонажами и сценами. Для активации адаптера в запросе рекомендуется использовать триггерную фразу «Coloring Book». Модель ориентирована на сценарии создания иллюстраций для раскрасок и стилизованных монохромных изображений. Это текстово-изобразительная diffusion-модель, подключаемая к FLUX.1-dev через Diffusers. Указаны размер LoRA-сети 64 и alpha 32; обучение проводилось на 10 изображениях высокого разрешения с использованием разметки Florence-2 на английском языке. Рекомендуемый размер изображения — 1024×1024. README не сообщает точные языковые ограничения базовой модели или дополнительные поддерживаемые модальности. Модель может быть полезна для быстрого получения изображений в едином стиле раскраски, однако её качество ограничено небольшим обучающим набором. Автор предупреждает, что модель находится на стадии обучения, не является финальной версией и в некоторых случаях может создавать артефакты или работать неудовлетворительно. В качестве лицензии указана CreativeML Open RAIL-M; веса доступны в формате Safetensors.

Counterfeit V3 — латентная диффузионная модель преобразования текста в изображения, разработанная rqdwdw. Она предназначена прежде всего для создания изображений людей и других сюжетов в стиле японского аниме. Модель использует Stable Diffusion и запускается через библиотеку Diffusers; веса представлены в формате safetensors, лицензия — MIT. Модель подходит для генерации аниме-иллюстраций по текстовым запросам. Она не всегда создаёт безупречные иллюстрации и плохо справляется с изображением разборчивого текста.

Crystalwave — модель генерации изображений по текстовому описанию, созданная слиянием Synthwave и Crystal Clear Remix. Она предназначена для создания иллюстраций и обоев с эстетикой synthwave и vaporwave: неоновые линии и круги, геометрические горы, ретроавтомобили, пальмы, ночные пейзажи, персонажи и другие сюжеты. Для усиления стилистического эффекта автор рекомендует добавлять в запрос слово «snthwve». Модель распространяется в формате Diffusers с весами Safetensors и использует лицензию CreativeML OpenRAIL-M. В карточке приведены примеры разнообразных художественных и фотореалистичных запросов, но сведения о размере модели, поддерживаемых языках и длине контекста отсутствуют.

Cyberpunk Anime Diffusion — модель генерации изображений от DGSpitzer, созданная дообучением Waifu Diffusion V1.3 с помощью DreamBooth на базе Stable Diffusion 1.5 и новым VAE. Она предназначена для создания персонажей и иллюстраций в аниме-стиле с киберпанк-тематикой по текстовым запросам. Для усиления характерного стиля в запросе рекомендуется использовать ключевое слово «dgs» и указание на стиль иллюстрации. Модель доступна в форматах Diffusers и PyTorch, включая файлы SafeTensors и CKPT, и совместима со стандартными конвейерами Stable Diffusion. В карточке указана лицензия CreativeML OpenRAIL-M. В README приведён пример запроса с откровенно подчёркнутым изображением персонажа; качество и точность результата зависят от формулировки запроса.

Future Diffusion — дообученная nitrosocke модель на базе Stable Diffusion 2.0 Base, созданная на высококачественных 3D-изображениях в футуристической научно-фантастической стилистике. Для усиления этого стиля в запросе рекомендуется использовать триггер «future style». Модель принимает текстовые запросы и генерирует изображения; автор указывает обучение на разрешении 512×512 и описывает примеры с персонажами, автомобилями, животными и пейзажами. Модель предназначена для создания концепт-арта, персонажей и окружений в эстетике sci-fi и футуризма. Она обучена методом DreamBooth с сохранением prior и дообучением текстового энкодера на базе Diffusers; автор характеризует её как ранний экспериментальный прототип. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — OpenRAIL++.

GTA5 Artwork Diffusion — модель генерации изображений по текстовому описанию, обученная автором на загрузочных экранах, сюжетном режиме и иллюстрациях дополнений GTA V. Она основана на Stable Diffusion и дообучена методом DreamBooth; для отсылки к стилю в запросе используется токен «gtav style». Модель предназначена для создания портретов и изображений людей, автомобилей, домов, объектов и пейзажей в стилистике иллюстраций GTA V. Пейзажи могут приобретать вид игровых кадров. Модель распространяется в форматах Diffusers, PyTorch и SafeTensors под лицензией CreativeML OpenRAIL-M, условия которой ограничивают некоторые варианты использования.

Illustrious XL — латентная диффузионная модель преобразования текста в изображение, разработанная OnamaAI. Она предназначена главным образом для генерации изображений персонажей аниме по текстовым запросам и работает через StableDiffusionXLPipeline в библиотеке Diffusers. Модель принимает текстовый промпт и создаёт изображение. Карточка указывает, что фотореалистичное рисование получается несовершенно, а читаемый текст модель изображать не может. Репозиторий распространяется в форматах Diffusers и Safetensors по лицензии MIT.

KawaiiRealisticAnimeMix_A0.3 — модель генерации изображений по текстовому описанию в стиле аниме. В карточке приведён пример запроса для создания крупного портрета девушки с мягкой улыбкой, на улице и в яркой цветовой гамме. Модель предназначена для создания аниме-иллюстраций по текстовым промптам. Репозиторий содержит веса в форматах Diffusers и safetensors; метаданные указывают на совместимость со Stable Diffusion. Лицензия обозначена как other, поэтому условия использования следует уточнить на странице модели.

Это модель генерации изображений в художественном стиле Ким Джун Ги, обученная apurik-parv с помощью DreamBooth-ноутбука Shivam Shri Rao на изображениях художника. Для вызова стиля в текстовом запросе используется фраза «kimjugi»; обучение проведено в течение 10 000 шагов. Модель предназначена для создания изображений по текстовым описаниям с передачей им характерного художественного стиля. Она распространяется в форматах Diffusers и PyTorch и использует лицензию CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

Krea-2-LoRA-retroanime — адаптер LoRA, разработанный Krea для модели Krea 2. Он добавляет к базовой модели Krea-2-Turbo стилистическую специализацию retro anime; для активации используется триггер «Purple retro anime style». Модель предназначена для генерации изображений по текстовому описанию в библиотеке Diffusers и подходит для сцен с персонажами, животными, пейзажами, архитектурой и динамическими сюжетами, выполненными в указанной ретро-аниме стилистике. Адаптер использует веса retroanime.safetensors, обучен на Krea-2-Raw и предназначен для применения с Krea-2-Turbo, включая её малошаговый режим генерации. В примерах предварительного просмотра использовались 8 шагов инференса, guidance 0.0 и вес LoRA 1.0. Архитектура, количество параметров, максимальный контекст, поддерживаемые языки и дополнительные модальности в README не указаны; заявлен сценарий text-to-image. Сильная сторона модели — специализированное добавление узнаваемого визуального стиля к базовой Krea 2 без отдельной полноразмерной модели. Ограничение состоит в том, что адаптер рассчитан на конкретную базовую модель и, согласно README, должен использоваться именно с Krea-2-Turbo. Указана лицензия krea-2-community-license; её полный текст доступен по ссылке в карточке модели.

ibyteohdear/Lightricks-LTX-2-DISTILLED-10-Eros — пользовательский ремикс на основе семейства LTX-2.3 от Lightricks. Это диффузионная модель генерации видео; указанная задача — image-to-video. Автор ремикса описывает несколько версий и вариантов весов, предназначенных для создания откровенных сцен и последующей доработки LoRA-адаптерами. Для управления результатом требуются подробные, тщательно составленные промпты. Исходная модель LTX-2.3 — аудиовизуальная DiT-модель, способная создавать синхронизированные видео и аудио; в этой карточке, однако, подтверждена только генерация видео по изображению. В README отмечены изменения аудио и визуального качества в исходном семействе, но автор ремикса сообщает о проблемах с аудио и нестабильности отдельных версий. Языковые сведения различаются: карточка LTX-2.3 называет английский, а метаданные репозитория перечисляют английский, немецкий, испанский, французский, японский, корейский, китайский, итальянский и португальский. Разработчик ремикса не указан; исходную модель разработала Lightricks. README упоминает типичные артефакты, включая ошибки анатомии, дрейф лиц, субтитры, нежелательные переходы и неточное следование промпту. Лицензия в метаданных обозначена как other, без уточнения условий для этого ремикса.

Карточка модели skykholodovzz/ltxvideo-2b-nsfw на Hugging Face совпадает с карточкой Muinez/ltxvideo-2b-nsfw, поэтому описание составлено по ней. Muinez/ltxvideo-2b-nsfw — экспериментальное дообучение LTX-Video 0.9.5, созданное автором Muinez на данных с изображениями и видеоклипами. Модель предназначена для генерации видео по исходному изображению; в конце обучения её дополнительно настраивали для image-to-video. Для описаний использовались booru-теги, а обучающая выборка включала реалистичные и аниме-материалы разных авторов. Автор сообщает, что модель быстро генерирует видео и иногда даёт приемлемый результат, но качество нестабильно и в целом уступает более сильным моделям. Обучение проводилось на изображениях и 4,7 тыс. видеоклипах; максимальная длина клипов составляла 121 кадр, разрешения изображений — от 512×768 до 768×512. По карточке Hugging Face модель использует Diffusers и сохранена в формате safetensors; размер параметров и длина контекста не указаны. Модель помечена как предназначенная для взрослой аудитории. Условия лицензии в предоставленных данных не указаны.

Hearmeman/minimax-h3-loras — набор LoRA-адаптеров от HearmemanAI для базовой модели MiniMaxAI/MiniMax-H3. Адаптеры предназначены для генерации видео по тексту и изображениям, а также для генерации отдельных изображений; используются в рабочих процессах ComfyUI. Коллекция ориентирована на взрослый контент 18+ и включает отдельные адаптеры для действий и анатомических особенностей, которые можно комбинировать с LoRA персонажей или сцен. В набор входят видеообученные action-адаптеры и обученные на статичных изображениях anatomy-адаптеры. Для некоторых указаны триггерные слова и рекомендуемая сила воздействия, например HMNSFW V2.5 с триггером hmmotion и значением 0,5–0,9. Этот адаптер обучен примерно на 1000 видео и заявлен как хорошо подходящий для image-to-video, обеспечивая согласованную анатомию и движение; при этом качество зависит от подробности промпта и случайного seed. Технические параметры базовой MiniMax-H3, включая размер, архитектуру, языки и длину контекста, в README не раскрыты. Модель распространяется по лицензии minimax-h3-community-license; применение регулируется условиями лицензии MiniMax-H3.

Nitro Diffusion — модель генерации изображений по текстовому описанию от nitrosocke, созданная на основе Stable Diffusion и дообученная одновременно на трёх стилях: Archer, Arcane и Modern Disney. В промпте можно задавать один стиль или сочетать несколько, регулируя их влияние. Для управления стилем используются слова «archer style», «arcane style» и «modern disney style».

Pineapple Anime Mix — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec. Карточка приводит пример промпта для создания стилизованной мультяшной иллюстрации в духе аниме: с персонажем в стиле чиби, детализированными глазами и волосами. Репозиторий представлен в формате Diffusers и Safetensors; в метаданных указана лицензия CreativeML OpenRAIL-M. Модель предназначена для создания аниме- и мультяшных иллюстраций по текстовым промптам. Карточка не сообщает размер модели, базовую модель, длину контекста и специальные ограничения; данных о качестве и условиях использования сверх указанной лицензии также нет.

Protogen x5.8 — модель генерации изображений по текстовому описанию, выпущенная darkstorm2150. Она предназначена для создания изображений в стиле sci-fi и аниме, а также художественных изображений с помощью Stable Diffusion. В README указано, что модель создана на основе Stable Diffusion v1.5 с использованием dreamlikePhotoRealV2.ckpt и объединения контрольных точек. Доступны форматы Diffusers, PyTorch и Safetensors; для запуска подойдёт Stable Diffusion Pipeline или Stable Diffusion Web UI. Лицензия — CreativeML OpenRAIL-M. Для управления стилем автор приводит триггерные слова modelshoot style, analog style, mdjrny-v4 style и nousr robot. Среди ограничений — результат зависит от формулировки запроса и использования стилевых триггеров; README не приводит количественных оценок качества или подробностей обучения.

PVD-160k-Mistral-7b — модель на архитектуре Mistral с 7,1 млрд параметров из проекта Visually Descriptive Language Model (VDLM). Она предназначена для вопросов и рассуждений о векторной графике: модель использует текстовые визуальные описания, включая представления SVG и Primal Visual Description, чтобы анализировать детали изображений и отношения между объектами. В карточке указаны задачи image-to-text и text-generation, библиотека Transformers и контекст до 32 768 токенов. Модель подходит для ответов на вопросы о содержимом векторных изображений и решения задач на пространственные отношения и простые лабиринты. Авторы сообщают, что подход VDLM превосходит современные мультимодальные модели в ряде задач рассуждения о векторной графике. Репозиторий использует формат Safetensors и лицензию Apache-2.0.

Qwen-Image-2.1-PE-T2I-Pocket-2B — компактная текстовая модель на 1,7 млрд параметров, разработанная ysharma на базе Qwen/Qwen3.5-2B. Она переписывает короткие запросы пользователя в развернутое английское описание для модели генерации изображений Qwen-Image-2.1 и возвращает его вместе с выбранным соотношением сторон в JSON. Модель обучена полным дообучением с дистилляцией ответов учителя на 1 776 отфильтрованных примерах; её контекст составляет 262 144 токена. Это специализированный однозадачный преобразователь промптов, а не универсальный чат-бот. В оценке на 300 примерах он выдавал корректный JSON в 100% случаев, однако автор отмечает, что формат и выбор соотношения сторон не гарантированы. Ответы создаются на английском даже для запросов на других языках; переписывания короче, чем у модели-учителя. Модель предназначена для исследовательского и оценочного применения: коммерческое использование ограничено лицензией Qwen Research License и требует отдельного разрешения Qwen.

sci-fi-landscape — модель генерации изображений по текстовому описанию, созданная Joeythemonster методом DreamBooth на базе Stable Diffusion. Для её обучения использовался fast-DreamBooth notebook TheLastBen. Модель предназначена для создания научно-фантастических пейзажей по текстовым запросам; карточка предлагает запускать её через A1111 или Diffusers. Репозиторий содержит модель в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M. Данных о размере модели, контекстном окне и поддерживаемых языках в карточке нет.