I.8Изображения и компьютерное зрение

MirrorMask — дообученная модель Stable Diffusion, созданная по мотивам тёмного фэнтези-фильма «Зеркальная маска» (2005). Она генерирует изображения по текстовым запросам и предназначена для переноса характерного стиля фильма на описанные сцены. Для активации стиля в запросе используется токен «mirrormask»; его можно разместить до или после описания и дополнить словом «style». Модель распространяется в форматах Diffusers и PyTorch, лицензия — CC BY-NC-SA 4.0, допускающая использование на условиях указания авторства, распространения производных работ на тех же условиях и некоммерческого применения. README также упоминает возможность экспорта в ONNX, MPS и FLAX/JAX.

ddz16/Qwen3-VL-8B-ArrowRL — видеоязыковая модель на архитектуре Qwen3-VL, дообученная методом ArrowRL. Это базовая модель для сравнения в исследовании Learning Spatiotemporal Sensitivity in Video LLMs via Counterfactual Reinforcement Learning; репозиторий содержит веса в формате safetensors для Transformers. Модель предназначена для ответов на вопросы о видео с учётом пространственно-временной динамики: направления движения, обратимых изменений и последовательности событий. Её оценивали на DyBench, а также на наборах Video-MME, TempCompass, MVBench и TimeBlind. Карточка не сообщает лицензию, число параметров и длину контекста, поэтому эти характеристики не включены.

Rae Diffusion XL — модель генерации изображений по тексту, разработанная Raelina и дообученная на Animagine XL 3.1, основанной на Stable Diffusion XL. Она предназначена прежде всего для создания иллюстраций в стиле аниме, особенно изображений персонажей. Для управления результатом можно использовать рекомендуемый порядок запроса с описанием персонажа и тегами качества, рейтинга, периода создания и эстетики. В README приведены рекомендуемые параметры генерации: CFG 7, 25–30 шагов и сэмплер Euler a. Модель доступна в форматах Diffusers и Safetensors. README указывает лицензию Fair AI Public License 1.0-SD. Модель ориентирована на рисованную аниме-эстетику; качество результата зависит от формулировки запроса и настроек генерации.

Raemu Flux — модель генерации изображений по тексту, созданная разработчиком Raelina на основе дообучения FLUX.1-dev от Black Forest Labs. Она предназначена прежде всего для создания изображений в стиле аниме; для этого модель дообучена на почти 1 500 тщательно отобранных изображениях. Репозиторий использует Diffusers и формат Safetensors. Модель подходит для генерации аниме-персонажей и сцен по текстовым запросам. В запрос рекомендуется включать слово «anime»: без него результат может выглядеть реалистично. Язык карточки — английский; точный контекст модели не указан. Лицензия обозначена как other, поэтому условия использования следует сверять с карточкой модели и базовой FLUX.1-dev.

RainbowClassicAnime — модель генерации изображений по текстовому описанию, собранная как смесь Rainbowpatch 1.0 от Patchmonk и DucHaiten Classic Anime в версии fp16 без EMA. Она предназначена для создания изображений в классическом аниме-стиле; автор README советует начинать запрос с «Rainbowpatch» и/или «(80s anime style)», а также допускает использование «(gtav style)» для усиления эффекта. Модель распространяется в формате Diffusers и Safetensors, библиотека — Diffusers. Лицензия CreativeML OpenRAIL-M. README не сообщает размер модели, длину контекста или конкретные ограничения по качеству; генерация зависит от текстового запроса и может требовать подбора стилевых подсказок.

Модель manudaza/retinal-triage-efficientnetb0 — EfficientNetB0, дообученная на изображениях глазного дна для классификации тяжести диабетической ретинопатии по пяти степеням ICDRSS: от отсутствия признаков заболевания до пролиферативной ретинопатии. Её разработали как компонент системы сортировки очереди на проверку в виртуальной клинике диабетического офтальмологического скрининга. Модель принимает цветные фотографии глазного дна RGB размером 224×224 пикселя и выдаёт класс заболевания; веса сохранены в формате TensorFlow/Keras. Обучение выполнено методом transfer learning на 3 662 размеченных изображениях APTOS 2019: сначала базовую сеть использовали для извлечения признаков, затем дообучили её последние 20 слоёв. На валидационной выборке Quadratic Weighted Kappa составила 0,7987; полнота для тяжёлой ретинопатии — 0,690, для отсутствия ретинопатии — 0,952. Эти показатели не гарантируют аналогичного качества на других популяциях, камерах и протоколах съёмки. Модель предназначена для определения срочности последующей проверки специалистом и не является диагностическим устройством: каждое предсказание требует врачебной оценки. Она не оценивает диабетический макулярный отёк, для которого нужны другие методы визуализации, например OCT. Лицензия CC BY-NC 4.0 разрешает использование на условиях атрибуции и без коммерческого применения.

fassabilf/sea-clip-tiny-abl-bloom — экспериментальная абляционная версия SEA-CLIP-Tiny, разработанная для исследования влияния обучающих данных Bloom на мультиязычную модель сопоставления изображений и текста. Это модель CLIP с визуальной башней ViT-T/16 и 12-слойной текстовой башней шириной 384; размерность эмбеддингов — 512, всего 46,11 млн параметров. Она принимает изображения и текстовые описания и предназначена для классификации изображений без дополнительного обучения, а также для поиска соответствий между изображениями и текстом. Текстовый токенизатор CLIP BPE имеет контекст 77 токенов. Модель связана с языками Юго-Восточной Азии: английским, индонезийским, яванским, сунданским, малайским, тайским, вьетнамским и бирманским. В абляционном эксперименте показаны результаты на обучающих источниках и ImageNet, однако приведённые значения низкие, поэтому качество для практических задач по этой карточке не подтверждается. Репозиторий предоставляет веса PyTorch для использования через open_clip и распространяется по лицензии MIT.

seacreatures — модель генерации изображений по текстовому описанию, созданная arnomatic с помощью DreamBooth Training Space на базе Stable Diffusion v1.5. Она предназначена для создания изображений подводных биолюминесцентных существ; в подсказке рекомендуется использовать фразу «underwater bioluminescence creature». Для запуска автор предлагает использовать diffusers и ноутбук Colab для инференса. Модель распространяется в формате diffusers/PyTorch по лицензии CreativeML OpenRAIL-M.

LyliaEngine/Semi-realism_illustrious — LoRA-модель для генерации изображений на основе text-to-image, совместимая с Diffusers. Она предназначена для добавления к базовой модели OnomaAIResearch/Illustrious-xl-early-release-v0 стилистики semi-realism и pseudo-realistic, вдохновлённой визуальным стилем Niji v6. Модель ориентирована на создание высококачественных изображений, сочетающих реалистичные и мультяшные черты. Для активации используется триггерное слово «Semi-realism». Дополнительные слова и описания могут усиливать реалистичный, ночной или мультяшный характер изображения: pseudo-realistic, realism, realistic, darkness, night time, cartoon, lineless и flat color. Заявлены различение дневного и ночного освещения, тёмная световая стилистика и отражения. Архитектура, размер, поддерживаемые языки, модальности помимо генерации изображений и максимальный контекст в README не указаны. Модель разработана пользователем LyliaEngine; в качестве источника и для указания авторства приведена работа пользователя Zoropaton на Civitai. Лицензия — CDLA-Permissive-2.0. Ограничения включают зависимость от указанной базовой модели и необходимость подбора триггерных слов и параметров генерации для получения нужного визуального результата.

Yntec разработал Shampoo — модель генерации изображений в стиле аниме 1980-х, вдохновлённом работами Румико Такахаси и серией «Ранма ½». Модель основана на bluetheboneStyle от OneRing: автор встроил в неё LoRA Shampoo_Character от YeiyeiArt и применил выборочное смешивание весов. В отличие от LoRA, которая склонна превращать персонажей в Шампунь, Shampoo предназначена для создания разнообразных аниме-изображений с характерной ретро-стилистикой по умолчанию. Модель принимает текстовые запросы и генерирует изображения через Stable Diffusion Diffusers; файлы представлены в форматах Diffusers и safetensors. Примеры охватывают персонажей, портреты и иллюстрации. Для использования указана лицензия CreativeML OpenRAIL-M. README не сообщает размер модели, длину контекста или языки запросов.

ShotVL-3B — мультимодальная модель разработчиков проекта ShotBench, дообученная на базе Qwen/Qwen2.5-VL-3B-Instruct для экспертного анализа кинематографического языка. Она принимает изображения и видеоклипы вместе с текстовыми вопросами и формирует ответы на естественном языке о композиции кадра, операторских приёмах и других визуальных аспектах кинематографии. Модель построена на плотной архитектуре Qwen2.5-VL, содержит 3,1 млрд параметров и поддерживает контекст длиной до 128 000 токенов. ShotVL-3B обучена с помощью supervised fine-tuning и Group Relative Policy Optimization на наборе ShotQA примерно из 70 тысяч мультимодальных вопросов и ответов. По данным карточки, она показывает лучшие результаты среди сравниваемых моделей на бенчмарке ShotBench, но качество даже сильных VLM на этом бенчмарке ограничено, особенно при распознавании тонких визуальных деталей и сложных пространственных отношений. Модель распространяется по лицензии Apache-2.0.

Steampunk-Diffusion — модель генерации изображений по текстовому описанию, созданная AIArtsChannel методом DreamBooth на базе Stable Diffusion 2.1. Она предназначена для генерации персонажей в стиле стимпанк; для вызова обученной концепции в запросе используется слово «Steampunk-Character». Модель опубликована в формате Diffusers/PyTorch и распространяется по лицензии CreativeML OpenRAIL-M. Модель принимает текстовые запросы и создаёт изображения. В карточке указана версия 728px и обучение через fast-DreamBooth notebook от TheLastBen. README предлагает запуск через A1111 или Diffusers. Языки запросов и ограничения качества отдельно не описаны.

qujincheng/Z-Image-Lora — модель LoRA для генерации изображений по текстовому описанию, разработанная сообществом Hugging Face пользователем qujincheng. Она предназначена для использования вместе с базовыми моделями Tongyi-MAI/Z-Image и Tongyi-MAI/Z-Image-Turbo в сценариях text-to-image, в частности для создания изображений людей, персонажей и публичных персон по специальным триггерным словам. Модель распространяется в формате safetensors и интегрируется с экосистемой Diffusers. README указывает на большое количество поддерживаемых образов и имён, для которых используются триггеры вида vrtlxxxx; обычные описания вроде «woman» или «1girl» могут не срабатывать. Для неоднозначных имён рекомендуется явно указывать пол, а при слабом или некорректном знании базовой модели — исключать имя и использовать только триггер. Точные размер модели, архитектурные параметры, поддерживаемые языки и максимальный контекст не указаны. Сильная сторона модели — специализация на воспроизведении множества конкретных лиц и персонажей в сочетании с Z-Image и Z-Image-Turbo. Ограничения включают зависимость от точных триггерных слов и базовой модели, а также возможные ошибки или цензурирование отдельных образов. Лицензия — Apache-2.0.

alfredplpl/z-image-modern-anime — экспериментальная полноразмерная донастройка Z-Image, ориентированная на генерацию изображений в стиле современной японской аниме-графики. Автор сообщает, что применял только Quality Tuning; для активации стиля в промпте рекомендуется использовать триггер «Japanese modern anime style». Модель предназначена для генерации изображений по текстовым запросам и доступна для использования с ComfyUI и Diffusers. Модель основана на Tongyi-MAI/Z-Image и распространяется в форматах Diffusers и Safetensors. Лицензия — Apache-2.0. Карточка не сообщает размер модели, контекст или поддерживаемые языки промптов.

Agenda Mix — слитая модель для генерации изображений по текстовому описанию, опубликованная Earth & Dusk. В состав входят Comic Babes, Epic V4 и Marvellous Comics; модель рассчитана на создание иллюстраций в комиксном и аниме-стиле. Для усиления комиксного стиля автор рекомендует добавить в промпт ключевое слово «XDUSKY1».

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.

FredZhang7/anime-anything-promptgen-v2 — языковая модель на базе GPT-2, обученная автором на 80 000 уникальных безопасных аниме-промптов из Safebooru. Модель предназначена для генерации текстовых промптов для создания аниме-изображений, например, по короткому префиксу вроде «1girl». Она обучалась три эпохи; контекст составляет 1024 токена. Модель генерирует текст, который можно использовать с Anything V4 и другими системами текст-в-изображение. В README автор отмечает, что предыдущая версия часто выдавала бессвязные промпты и связывает проблему со случайными именами пользователей в данных; для этой версии заявлена очистка датасета. Модель выпущена по лицензии CreativeML OpenRAIL-M.

COOLKIDSV2 — модель генерации изображений в стиле иллюстраций для детских книг, опубликованная Yntec и основанная на работе Clumsy_Trainer. Она принимает текстовые запросы и создаёт изображения с детской книжной стилистикой. Репозиторий содержит модель в форматах Diffusers и safetensors; автор указывает, что исходно это была LoRA, преобразованная в полноценную модель. Базовая модель не названа. Лицензия — CreativeML OpenRAIL-M.

Coquett — модель генерации изображений по текстовому описанию, опубликованная пользователем Yntec и предназначенная для создания иллюстраций в аниме-стиле. В карточке приведены примеры генерации персонажей, портретов, рекламных постеров и сцен; указано, что в модель встроен VAE 840K. Модель объединяет Petitcutie_v2.0, qteamixQ_omega, PuniMIX 4.0 и Motto!! PuniMIX 2.0, а также LoRA-компоненты для стилизации и проработки глаз. Метаданные указывают на Stable Diffusion 1.5 и библиотеку Diffusers. Лицензия — CreativeML OpenRAIL-M. В README не приведены ограничения по контексту или подробные инструкции по применению.

Карточка модели Quacky369/CyberRealisticPony на Hugging Face совпадает с карточкой cyberdelia/CyberRealisticPony, поэтому описание составлено по ней. CyberRealistic Pony — модель генерации изображений по текстовому описанию, созданная на основе Pony Diffusion с элементами CyberRealistic. Она предназначена для создания фотореалистичных изображений пони и персонажей, а также иллюстраций и концепт-арта. Модель распространяется в формате safetensors и включает встроенный VAE. Для генерации рекомендованы 30 и более шагов сэмплирования и разрешения 896×1152 или 832×1216. Модель специализируется на изображениях пони и может хуже справляться с абстрактными запросами и сюжетами, не связанными с пони; иногда освещение и текстуры получаются чрезмерно гладкими. Возможна генерация чувствительного контента. Лицензия — CreativeML Open RAIL-M.

JerryMo/db-simpsons-asim-style — модель синтеза изображений по текстовому описанию, созданная на основе предварительно обученной модели Stable Diffusion и дообученная для художественного стиля мультсериала «Симпсоны». Автор описывает её как Simspon Artistic Memory; для обучения использовались датасет изображений по «Симпсонам» и методы тонкой настройки, включая DreamBooth и LoRA. Модель предназначена для генерации изображений персонажей и сцен в стилистике «Симпсонов» по текстовым промптам. В README приведён шаблон описания персонажа, его внешности, одежды, действия, окружения и временного периода. Репозиторий распространяет веса в форматах Diffusers и Safetensors; указана лицензия CreativeML OpenRAIL-M.

Модель lambda/dreambooth-avatar разработана Eole Cervenka в Lambda Labs: это Stable Diffusion v1.5, дообученная методом DreamBooth на изображениях в стиле мультфильма «Аватар». Она принимает текстовый запрос и генерирует изображения; для воспроизведения стиля в запросе используется токен «avatarart style». Обучение проводилось на 60 изображениях персонажей «Аватара» размером 512×512 пикселей с сохранением класса Person для снижения влияния дообучения на обычные изображения людей. Модель предназначена для создания иллюстраций в этом стиле. Лицензия в предоставленных данных не указана.

DucHaiten Classic Anime — модель генерации изображений по текстовому описанию в классическом аниме-стиле. Версию опубликовал Yntec; в README указано, что она основана на чекпойнте Fp16NoEma и включает VAE Waifu 1.4 для inference API. Для усиления стилистики автор рекомендует добавлять в запрос «80s anime style» или «gtav style».

Flux-Animeo-v1-LoRA — LoRA-адаптер, разработанный strangerzonehf для базовой модели black-forest-labs/FLUX.1-dev. Модель предназначена для генерации изображений в аниме- и мультяшной стилистике по текстовому описанию в сценариях text-to-image. Для активации адаптера в запросе необходимо использовать триггерное слово «Animeo». Примеры показывают генерацию персонажей с заданной внешностью, одеждой, позами, предметами и фоном. Адаптер обучен на 50 изображениях высокого разрешения с использованием текстовых описаний на английском языке, подготовленных Florence2. Указаны параметры LoRA: Network Dim 64 и Network Alpha 32; обучение проводилось в течение 22 эпох, всего 4700 шагов с оптимизатором AdamW и постоянным планировщиком скорости обучения. Рекомендуемые размеры изображений — 768×1024, стандартный размер — 1024×1024. Модель работает через Diffusers поверх FLUX.1-dev и распространяется в формате Safetensors. Сильная сторона модели — специализация на аниме-визуале и возможность применять характерный стиль поверх базовой FLUX.1-dev с помощью LoRA. Ограничения связаны с узкой областью обучения, небольшим объёмом обучающего набора и зависимостью от базовой модели; README не содержит сведений о количественных оценках качества, поддерживаемых языках запросов помимо английских обучающих описаний, требованиях к памяти или известных проблемах. Лицензия — Apache-2.0.

Plasmo’s Jak's Creepy Critter Pack v2.0-768px — модель на базе Stable Diffusion 1.5, дообученная для генерации изображений вымышленных жутких существ и монстров по текстовому описанию. Для управления образом автор рекомендует начинать запрос с «food_crit»; добавление слов «3d, ceramic, octane render» может придать изображению блестящий керамический вид в стиле 3D-рендера. Модель предназначена для творческой генерации концепт-арта и стилизованных изображений существ; в обучении использовались изображения разрешением 768 пикселей. Репозиторий содержит веса в форматах Diffusers и PyTorch, лицензия — CreativeML OpenRAIL-M. В карточке не приведены точные параметры генерации и результаты систематической оценки качества.

Tiemi/FunnyShihTzu-dog — модель Stable Diffusion, которую Tiemi дообучил методом DreamBooth на фотографиях своей собаки породы ши-тцу. Она предназначена для генерации изображений по текстовому описанию с сохранением концепта FunnyShihTzu; тег FunnyShihTzu следует включать в запрос, а остальную часть описания можно менять. Модель работает с библиотекой Diffusers и распространяется в форматах PyTorch и Diffusers. Модель подходит для создания разных изображений FunnyShihTzu, например фотографических сцен, мультяшного арта и стилизованных фигурок. Каждая генерация может отличаться даже при одинаковом запросе. Лицензия — CreativeML OpenRAIL-M; README не приводит дополнительных сведений об ограничениях.

Модель autopostflow/gemma-4-e2b-ltx-2-5-prompt — полноразмерный дообученный в bf16 чекпойнт Gemma 4 E2B IT, созданный на базе google/gemma-4-E2B-it. Она преобразует рассказ в один подробный кинематографический промпт для генератора видео LTX 2.5: выбирает наиболее эмоционально насыщенную сцену и описывает кадры, движение камеры, освещение, объектив и атмосферу. Модель предназначена для подготовки текстовых запросов по сюжетам, чтобы затем передавать их в генератор видео LTX 2.5. Архитектура — Gemma4ForConditionalGeneration; при дообучении использовался только текстовый декодер, а компоненты обработки изображений и аудио были заморожены. Это текстовая модель генерации. Для вывода требуется сохранять формат запроса с разделителем ### CONTEXT, на котором модель обучалась. В обучении использовались 8958 примеров и 497 примеров для проверки. Модель опубликована под лицензией Gemma.

Golden Hour v20 — модель типа LoRA для генерации изображений по текстовому описанию, разработанная LyliaEngine. Она предназначена для создания стилизованных персонажей с высокой эстетикой, тёплым освещением, мягкой цветовой гаммой и кинематографическим визуальным эффектом. Модель особенно ориентирована на сцены с контровым и драматическим светом, обводящим свечением, боке, тёплым рассеянным освещением, выразительными глазами, детализированными волосами и реалистично-иллюстративной текстурой кожи. Модель использует базовую модель OnomaAIResearch/Illustrious-xl-early-release-v0 и интегрируется с экосистемой Diffusers. Модальности, языки и размер модели в README не указаны. Для активации специальное ключевое слово не требуется: в качестве trigger word указано None. Автор рекомендует sampler DPM++ 2M, schedule Karras, 30 шагов, CFG Scale 5 и включённый Hi-Res Fix; при необходимости предлагается использовать ADetailer. Сильной стороной является настройка на мягкое, светящееся и кинематографичное изображение персонажей, однако результат зависит от базовой модели, промпта и параметров генерации, а README не содержит подробных количественных оценок или описания ограничений качества. Модель распространяется по лицензии CDLA-Permissive-2.0.

Holodayo XL 2.1 — диффузионная модель генерации изображений по тексту, разработанная Linaqruf. Она дообучена на базе Animagine XL 3.1, модели Stable Diffusion XL для аниме-иллюстраций, и настроена на создание изображений в стиле франшизы виртуальных ютуберов. Версия 2.1 направлена на улучшение анатомии и рук, снижение проблем с забыванием при дообучении и уменьшение избыточно пересвеченного стиля. Модель принимает текстовые запросы и выдаёт изображения; для управления результатом поддерживает специальные теги качества, рейтинга, года и эстетики, унаследованные от Animagine XL 3.1. Её можно запускать через ComfyUI, Stable Diffusion WebUI или библиотеку diffusers. В README указана лицензия Fair AI Public License 1.0-SD; перед использованием следует учитывать условия этой лицензии.

Hipsterusername/InvokeAI_Fantasy_and_Art_by_Zovya — модель преобразования текстовых запросов в изображения, созданная командой Invoke AI совместно с художницей и автором моделей Vhey Preexa (Zovya). Она предназначена для создания фантастических миров, персонажей и других художественных сюжетов в разных художественных техниках. Модель обучена на работах Zovya и материалах, предоставленных сообществом. В метаданных указаны StableDiffusionPipeline, форматы Diffusers и safetensors, а также английский язык. Лицензия — CreativeML OpenRAIL-M.