I.8Изображения и компьютерное зрение

MergeStove2.5D — модель генерации изображений на основе Stable Diffusion, созданная независимым разработчиком и собранная слиянием нескольких моделей. Она предназначена прежде всего для создания аниме-иллюстраций и персонажей, уделяя внимание анатомии, особенно глазам и кистям рук, а также сохранению предметов и окружения в сцене. В README описаны версии MK1–MK7 и отдельные улучшения для изображений в стиле 2.5D; для MK6 указана замена базовой модели на AbyssOrangeMix2_sfw. Модель принимает текстовые запросы и выдаёт изображения. Автор рекомендует рабочее разрешение примерно 900–1200 пикселей по длинной стороне и применение Hires.fix; для обычного использования заявлена совместимость с пакетами Stable Diffusion v1.x. Карточка не сообщает размер модели и длину контекста. Лицензия — CC BY-NC 4.0, коммерческое использование запрещено. Среди отмеченных автором ограничений — периодически чрезмерно длинная шея, размытость, ошибочный блеск кожи и переобучение; также без подходящих отрицательных запросов могут получаться персонажи с преувеличенными пропорциями. Для MK7 автор рекомендует отрицательные эмбеддинги badhandv4, EasyNegative и verybadimagenegative_v1.3.

masafy/minimax-h3-masafy-lora — это адаптер LoRA для MiniMax H3, разработанный Masato Suzuki. Он предназначен для генерации видео с оригинальным персонажем Masafy — антропоморфной красной пандой — в авторском стиле. Адаптер обучен для варианта Ref2VA и применяется при инференсе с моделью MiniMax H3, мультимодальной моделью примерно на 33 млрд параметров, способной совместно генерировать видео и аудио. Триггерное слово адаптера — masafy_character. Модель рассчитана на сценарии image-to-video и использование в ComfyUI с базовой моделью MiniMax H3 Ref2VA. Рекомендуется чекпоинт на 500 шагах с силой 0,8. Адаптер в первую очередь меняет визуальный стиль: вместо фотореалистичной шерсти он придаёт изображению плоский cel-иллюстративный вид. Для корректного результата необходимо указывать триггер вместе с описанием внешности персонажа; одного триггера недостаточно. Адаптер также может изменять фон, поскольку при обучении описывались целые изображения. Для инференса требуется около 9,3 ГБ видеопамяти; генерация пятиминутного? ролика длительностью 5 секунд в разрешении 864×480 на RTX 3060 занимает примерно 13 минут. Базовая модель в репозитории не распространяется. Адаптер совместим с GGUF Q3_K_M и был проверен на 208 из 208 модулей без несовпадений ключей. Ограничения включают возможное ухудшение структурной точности при увеличении силы адаптера, появление тёмного контура при чрезмерной силе и зависимость результата от описания внешности. Использование регулируется MiniMax H3 Community License Agreement; коммерческое применение разрешено при указании атрибуции «MiniMax H3», при этом действуют территориальные условия лицензии. Персонаж Masafy является оригинальной работой автора, которого также следует указывать при использовании.

MiniMax-H3 Text Encoder — это компонент для пайплайна MiniMax-H3 преобразования текста в видео и изображения в видео, опубликованный пользователем pottokao. Модель основана на Qwen/Qwen3-VL-32B-Instruct и представлена в формате GGUF для использования с llama.cpp; разработчик исходной архитектуры в README отдельно не указан. Это abliterated, или uncensored, производная модель, предназначенная прежде всего для кодирования текстовых входов, а не для самостоятельного диалогового использования. Архитектура имеет тип qwen3vl и включает 50 слоёв; MiniMax-H3 использует скрытое состояние после 50-го слоя. Основная сборка Q3_K_S имеет около 3,53 BPW и размер примерно 11,5 ГБ, содержит только текстовый энкодер и рассчитана на обычное использование в llama.cpp. Вариант с суффиксом _vis занимает около 12,6 ГБ, включает объединённую визуальную башню в формате BF16 и предназначен для ComfyUI; именно он распознаётся пайплайном MiniMax-H3 в ComfyUI. Сведения о поддерживаемых языках и размере контекста в README не приведены. Квантование уменьшает требования к памяти, но может ограничивать точность по сравнению с полноразмерной моделью, а назначение модели как компонента требует совместимого пайплайна. Указана лицензия Apache-2.0.

Noct Q Anime — модель для генерации аниме-иллюстраций по текстовым запросам, созданная на основе Qwen Image 2.1. Она предназначена для работы в ComfyUI и распространяется в виде файла Safetensors с INT8-квантованными весами; в README указана совместимость с видеокартами с 8–12 ГБ памяти и ComfyUI версии 0.37 или новее. Модель создаёт изображения в аниме-стиле — от портретов до пейзажных сцен — и рассчитана на подробные запросы с описанием персонажей, поз и ракурсов. По заявлению автора, она может генерировать изображения взрослых персонажей в одежде, белье или обнажённом виде, включая откровенные сцены. В комплекте описаны рекомендуемые параметры генерации, а для работы требуются текстовый энкодер Qwen3-VL 8B и VAE Qwen Image 2.1. В метаданных связь с Qwen/Qwen-Image-2.1 указана как merge, однако сведений о способе слияния нет. Лицензия обозначена как other, поэтому условия её использования следует уточнить на странице модели.

NSFW-GEN-ANIME-v2 — модель UnfilteredAI для генерации изображений в стиле аниме по текстовым описаниям. Она создаёт как обычные, так и откровенные изображения; в карточке указаны 3,47 млрд параметров и формат вычислений FP16. Модель предназначена для создания иллюстраций по текстовым запросам, в том числе контента для взрослой аудитории. В метаданных указана архитектура StableDiffusionXLPipeline и форматы Diffusers и safetensors. Модель объединена на основе OEvortex/PixelGen и UnfilteredAI/NSFW-gen. Для работы с ней нужны текстовый запрос и среда, совместимая с Diffusers. Лицензия обозначена как other, поэтому условия использования следует уточнять в репозитории модели.

Open Potion Bottle v2 — модель преобразования текста в изображение, созданная piEsposito методом DreamBooth на концепте `potionbottle`. Она предназначена для генерации изображений волшебных флаконов по текстовым запросам; пример в карточке описывает флакон с драконом внутри, с орнаментом и детализированным 3D-рендером. Модель распространяется в формате Diffusers/PyTorch и запускается через Diffusers; карточка приводит пример настроек сэмплирования: Euler Ancestral, 30 шагов и CFG Scale 10. Модель специализирована на визуальном концепте флакона с зельем, поэтому примеры генерации за пределами этого стиля в карточке не приведены. Лицензия — CreativeML Open RAIL-M; при использовании следует соблюдать её условия.

Ornamental Santa Diffusion — модель генерации изображений на основе Stable Diffusion, дообученная на изображениях более чем 200 рождественских украшений и сувениров с Санта-Клаусом. Разработчик предлагает добавлять токен «orna santa» в текстовый запрос, чтобы вызвать характерный образ модели. Модель предназначена для создания изображений Санта-Клауса и праздничных иллюстраций по текстовым описаниям. В README также описано объединение с AnythingV3 и Mo Di Diffusion для получения дополнительных стилей; файлы модели доступны в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M. Модель унаследовала ограничения Stable Diffusion и обучающих изображений; конкретные ограничения в карточке не перечислены.

PromptBridge-0.6b-Alpha — специализированная модель retowyss, дообученная на базе Qwen3-0.6B для преобразования промптов в обе стороны при генерации изображений. Она расширяет короткие ключевые слова или описания до подробных промптов, а длинные промпты сжимает до ключевых слов или одного предложения; преобразования можно чередовать, чтобы создавать варианты. Модель содержит 507,9 млн параметров, использует плотную архитектуру Qwen3 и принимает текстовый ввод, выдавая текст. Максимальный контекст составляет 40 960 токенов. В метаданных указан английский язык; обучение проведено на примерно 300 тысячах синтетических пар промптов. Модель обучалась исключительно на описаниях одного взрослого человека или человекоподобного персонажа. Данные включали контент от PG до R; откровенные примеры были удалены, но модель может выдавать чувствительный контент. Она не предназначена для общего диалога, следования произвольным инструкциям или рассуждений; качество для объектов, отличных от человеческих персонажей, не проверялось. Сжатие и расширение могут приводить к промптам длиннее типичных ограничений генераторов изображений. Лицензия — Apache-2.0.

Модель hahahafofo/Qwen-1_8B-Stable-Diffusion-Prompt — дообученная версия Qwen для создания текстовых запросов к Stable Diffusion. Она преобразует описания на китайском языке в соответствующие английские промпты и умеет создавать промпты по текстам разных форм, в том числе по классической китайской поэзии. Модель дообучена методом SFT на 35 тысячах примеров; её архитектура — плотная QWenLMHeadModel семейства Qwen, размер — 2,3 млрд параметров, контекст — до 8192 токенов. Модель принимает текст и генерирует текстовые промпты, предназначенные для последующей генерации изображений в Stable Diffusion. В карточке приведены настройки обучения: одна эпоха и скорость обучения 1e-5. Лицензия — Apache-2.0. Описанная специализация ориентирована прежде всего на китайско-английские запросы; качество для других языков и типов входа не подтверждено.

LinkRur/Qwen_2.5_1.5B_Instruct_Vision — экспериментальная визуально-языковая модель на основе Qwen2.5-1.5B-Instruct, разработанная LinkRur. Визуальный энкодер DINOv2 ViT-S/14 преобразует изображение в признаки размерности 384, которые MLP-проекция переводит в пространство эмбеддингов Qwen размерности 1536. NSD нормализует визуальные и текстовые векторы на единичную гиперсферу, после чего визуальные признаки сопоставляются с ближайшими токенами словаря. Модель обучалась с контрастивной функцией InfoNCE: дообучались проекционный слой и последние четыре слоя DINOv2, а языковая часть Qwen оставалась замороженной. В README приведён результат 72,43% Top-1 на проверочной выборке tiny-imagenet-200 из 10 000 изображений. Метаданные указывают 1,5 млрд параметров, контекст до 131 072 токенов, поддержку английского и китайского, библиотеку Transformers и лицензию Apache-2.0. Модель ориентирована на экспериментальное сопоставление изображений с токенами; подтверждений широких возможностей диалога по изображениям в карточке нет.

Qwen-Image-2.1-PE-T2I-GGUF — квантованные GGUF-варианты модели Qwen-Image-2.1-PE-T2I, разработанной на базе Qwen. Модель предназначена для автоматического переписывания запросов к генератору изображений: она преобразует краткое описание изображения на любом языке в подробный англоязычный промпт и рекомендуемое соотношение сторон. Модель опубликована пользователем prithivMLmods и рассчитана на использование совместно с генератором Qwen-Image-2.1. Это дообученная Qwen3.5-VL-9B с поддержкой текстовых входов на разных языках. После блока рассуждений <think> она возвращает структурированный JSON с полями rewritten_prompt и wh_ratio, который можно передать в Diffusers QwenImage21Pipeline. Модель предназначена именно для этапа предварительной обработки перед генерацией изображений, а не для общего диалога. В репозитории доступны варианты BF16 размером 17,9 ГБ и квантования Q3_K_L, Q3_K_M, Q4_K_M, Q4_K_S, Q5_K_M и Q5_K_S размером примерно от 4,62 до 6,47 ГБ, включая использование через llama.cpp. Сильная сторона модели — улучшение кратких и многоязычных запросов за счёт детализированного промпта и автоматического выбора соотношения сторон. Ограничение заключается в узкой специализации: сама модель не генерирует изображения и не предназначена для общего назначения. Модель распространяется по лицензии Qwen Research License Agreement; точные условия следует уточнять в тексте лицензии Qwen.

Norod78/sd2-simpsons-blip — дообученная версия Stable Diffusion 2.0, созданная Norod78 для генерации изображений в мультяшном стиле «Симпсонов». Модель принимает текстовый запрос и создаёт изображение; её обучали 10 000 итераций на изображениях, связанных с «Симпсонами», с подписями BLIP. Базовая модель — stabilityai/stable-diffusion-2-base. Модель предназначена для создания стилизованных изображений по текстовым описаниям. Репозиторий содержит веса в форматах Diffusers/PyTorch и SafeTensors; README также описывает использование checkpoint-файла в AUTOMATIC1111 Stable Diffusion WebUI. Лицензия — CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

Seraphm — персонализированная модель генерации изображений, созданная mint designer at alvdansen методом DreamBooth на базе Stable Diffusion. Для обучения использованы 12 изображений и 1500 шагов; разнообразный по эстетике набор данных предназначен для переноса персонажа в разные художественные стили. Модель рассчитана на генерацию изображений по текстовым запросам и доступна в формате Diffusers/PyTorch. Для вызова персонажа в примере README используется токен «serphm prince» вместе с описанием композиции и стилевых ориентиров. Модель распространяется по лицензии CreativeML OpenRAIL-M. README указывает на возможность тестирования через интерфейсы A1111 и Diffusers.

Antiraedus создал эту модель на базе Stable Diffusion, дообучив её методом DreamBooth на изображениях стиля Violet Evergarden из собственного набора данных. Она предназначена для генерации изображений по текстовому запросу с использованием концепта «vioeva», например для создания аниме-пейзажей и городов в этом стиле. Модель распространяется в формате Diffusers/PyTorch под лицензией CreativeML OpenRAIL-M. Автор отмечает, что обучающие изображения были в градациях серого, поэтому результат может быть монохромным. В README не приведены сведения о размере модели или длине контекста.

YoShin — модель Stable Diffusion для генерации изображений по текстовому описанию, обученная автором репозитория Evel на работах Ёдзи Синкавы из серий игр Metal Gear Solid и Death Stranding. Для вызова характерного стиля в запросе используется токен «yoshin style». Модель создана методом DreamBooth для Automatic1111 на 47 изображениях за 4000 шагов и распространяется в форматах Diffusers и PyTorch. Модель предназначена для создания иллюстраций, стилизованных под работы Синкавы, по англоязычным текстовым запросам. Она основана на Stable Diffusion; сведения о размере модели и длине контекста в доступных данных отсутствуют. Лицензия CreativeML OpenRAIL-M разрешает коммерческое использование и распространение весов при соблюдении ограничений лицензии, включая запрет на намеренное создание или распространение незаконного и вредоносного контента.

zukki_style — модель генерации изображений на основе Stable Diffusion 1.5, дообученная автором на скриншотах из стоп-моушн-фильма «Ma vie de courgette». Для вызова характерного стиля в запрос нужно добавить токен zukki_style. Модель обучена методом DreamBooth на 32 изображениях; текстовый энкодер участвовал в обучении частично. Модель предназначена для создания изображений персонажей и стилизации изображений, особенно в режиме img2img. Автор отмечает, что генерация сцен и пейзажей получается менее удачно, а режим img2img даёт более интересные результаты. Репозиторий содержит веса в форматах Diffusers, PyTorch и SafeTensors. Лицензия — CreativeML OpenRAIL-M.

AnimeBoysNabla — модель генерации изображений в аниме-стиле, разработанная Koolchh на основе NoobAI V-Pred 1.0 и предназначенная для создания разнообразных изображений персонажей мужского пола. Модель работает в формате Diffusers и использует архитектуру Stable Diffusion XL; для генерации принимает текстовые описания и выдаёт изображения. Для работы требуются настройки Zero Terminal SNR и V-prediction. Автор рекомендует начинать запрос с тега score_X, использовать CFG Scale 3–5 и встроенный VAE KBlueLeaf/EQ-SDXL-VAE; приведены типовые разрешения от портретного 832×1216 до квадратного 1024×1024 и альбомного 1216×832. Модель поддерживает запросы на естественном языке и в формате тегов. Модель ориентирована на стилизованные иллюстрации аниме-персонажей и предлагает управляющие теги эстетической оценки, рейтинга контента и года стилизации. Лицензия — OpenRAIL++; в README не приведены отдельные условия или ограничения использования сверх этой лицензии. Результаты зависят от корректных настроек сэмплирования и формулировки запроса.

wooyvern/anime-real-pantheon — LoRA-модель на базе pt-sk/stable-diffusion-1.5 для генерации изображений по текстовым запросам. Автор README указывает, что оригинальная модель LostInHentaiThoughts размещена на Civitai; веса доступны в формате Safetensors и предназначены для использования с Stable Diffusion. Модель подходит для создания изображений в аниме-стилистике. README не описывает конкретные настройки, рекомендуемые запросы или ограничения применения. Лицензия в предоставленных данных не указана.

PublicPrompts/borderlands — модель Stable Diffusion, дообученная разработчиком с помощью DreamBooth для создания изображений в стиле игры Borderlands. Она подходит для генерации персонажей и сцен по текстовым запросам; для активации стиля используйте триггерное слово «borderlands». Модель распространяется в форматах Diffusers, PyTorch и Safetensors. Лицензия в предоставленных данных не указана.

weecology выпустила CropModel для классификации видов деревьев по изображениям крон, обнаруженных детектором DeepForest. Модель определяет один из 148 видов, используя коды USDA PLANTS. Она обучена на 16 348 RGB-изображениях крон из 29 площадок NEON в Северной Америке; редкие виды с менее чем шестью примерами исключены из набора. Архитектура — ResNet-18 с предварительным обучением на ImageNet. На вход подаются RGB-изображения размером 224×224 пикселя с нормализацией ImageNet. Модель предназначена для экологических исследований и анализа видового состава деревьев по данным дистанционного наблюдения. Её можно использовать после обнаружения крон системой DeepForest, например, для автоматической разметки крон по видам. На тестовой выборке точность составила 39,3%, macro F1 — 0,23, weighted F1 — 0,39, поэтому качество заметно различается между классами и требует проверки для конкретной территории. Лицензия — MIT.

DermLIP ViT-B-16 — предварительно обученная CLIP-подобная модель зрения и языка для дерматологии, разработанная авторами Derm1M и обученная на наборе Derm1M с дерматологическими изображениями и текстами. Визуальный энкодер основан на ViT-B/16, текстовый — на GPT-2; изображения обрабатываются с разрешением 224×224 пикселя. Модель предназначена для классификации изображений кожи по текстовым меткам без примеров, обучения с небольшим числом примеров, поиска соответствий между изображениями и текстом, а также аннотирования и объяснения визуальных понятий. Она формирует совместные представления изображений и текста, пригодные для сравнения с описаниями или названиями классов. Карточка приводит медицинские сценарии, но не подтверждает пригодность модели для самостоятельной постановки диагноза. В метаданных указаны библиотека Transformers и форматы PyTorch и Safetensors. Лицензия в метаданных — CC-BY-NC-4.0, тогда как README указывает CC-BY-NC-ND-4.0; условия лицензирования следует сверить перед использованием, особенно для коммерческих и производных работ.

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.

MiniMax Video Prompt Enhancer — дообученная Liquid AI модель на архитектуре LFM2 для преобразования кратких идей в структурированные текстовые промпты для генерации и редактирования видео в MiniMax H3. Она оформляет описание в ожидаемую моделью схему со сценами, движением камеры, звуковым окружением и музыкальным сопровождением. Поддерживаются режимы T2VA, I2VA, FL2VA, L2VA и сценарии full-reference rewrite; входные кадры, клипы и аудио описываются текстом в заданном формате ChatML. Модель содержит 444,6 млн параметров, использует библиотеку Transformers, формат весов safetensors и имеет контекстное окно 128 000 токенов. Карточка ориентирует её на англоязычные запросы и задаёт специальные шаблоны system prompt и user message. Лицензия указана как other, без уточнения условий в доступных данных. Модель предназначена для подготовки промптов, а не для открытого диалога или генерации самого видео. Она оптимизирована под структуру MiniMax H3; длинные или сложные описания с большим числом сцен могут обрабатываться неполно и требовать постобработки.

Davizig10jojo/moondream2-pokemon-vlm — мультимодальная модель для ответов на вопросы об изображениях и генерации текста по визуальному содержимому. По README она создана слиянием TIES на основе vikhyatk/moondream2 с добавлением Qwen/Qwen2-VL-2B-Instruct; в метаданных архитектура обозначена как Moondream1, а файлы представлены в формате safetensors и рассчитаны на Transformers. Модель подходит для распознавания и описания покемонов на изображениях, а также для вопросов о том, что изображено. README не приводит специальных результатов или ограничений качества для покемонов. Условия лицензии в предоставленных данных не указаны.

Модель Stable Diffusion, дообученная osanseviero с помощью DreamBooth на концепции мистера Картофельная Голова. Для генерации изображений используйте в текстовом запросе триггер «a photo of sks mr potato head». Модель предназначена для создания изображений этого персонажа по текстовому описанию; она распространяется в формате Diffusers/PyTorch по лицензии MIT.

NSFW-GEN-ANIME — модель UnfilteredAI для генерации аниме-изображений по текстовому описанию. Она предназначена для создания разнообразных иллюстраций, включая откровенный контент; в карточке указано 3,47 млрд параметров и использование FP16. Модель построена на Stable Diffusion XL и работает в библиотеке Diffusers. Модель объединяет OEvortex/PixelGen и UnfilteredAI/NSFW-gen. Она ориентирована на англоязычные запросы и генерацию изображений в аниме-стиле. Репозиторий распространяется под лицензией other; конкретные условия лицензии следует проверять в материалах модели. Карточка рекомендует ограничить использование совершеннолетними и избегать создания вредоносных или оскорбительных изображений.

Модель cyberagent/opencole-typographylmm-llava-v1.5-7b-lora разработана CyberAgent и представляет собой LLaVA 1.5 на 7 млрд параметров, дообученную с помощью LoRA на наборе OpenCOLE 1.0. Она предназначена для генерации текстовых макетов графического дизайна по изображению и текстовому запросу. Модель принимает изображения и текст, а выдаёт текстовое описание макета. Обучение проводилось на примерно 18 тысячах пар изображение–текст, автоматически извлечённых из OpenCOLE. В карточке указан английский язык. Репозиторий связан с проектом OpenCOLE и статьёй о воспроизводимой автоматической генерации графического дизайна. Для запуска используется библиотека Transformers; веса опубликованы в формате safetensors. Основа — LLaVA 1.5 7B, а лицензия указана как Llama 2 Community License. Карточка не приводит длину контекста или подробные оценки качества.

perpetual3x/Qwen-Image-Western-European-American-Female-NSFW-LoRA-v1 — экспериментальная фотореалистичная LoRA-адаптация для базовой модели Qwen/Qwen-Image-2512, предназначенная для генерации изображений по текстовому описанию через библиотеку Diffusers. Она ориентирована на визуальное представление явно взрослых женщин Западной Европы и США в городских, сельских, прибрежных, горных, домашних и художественных сценах. Модель обучена на 8 417 изображениях и не требует обязательного триггерного слова. Она рассчитана на разнообразие взрослых возрастов, телосложений, черт лица и естественных текстур кожи, а также на фотореалистичный, документальный, художественный, цветной плёночный и монохромный стили. В README также заявлены 2 000 повторно используемых промптов для проверки разнообразия и региональных контекстов. Указаны языки английский, французский и испанский; модальность — текст-в-изображение. LoRA сильна в передаче внешности, атмосферы, человеческого присутствия и узнаваемых западноевропейских или американских окружений, но не является специализированной моделью коррекции анатомии. В сложных позах возможны ошибки интимной анатомии, рук, стоп и суставов; для таких сценариев автор рекомендует умеренное сочетание со специализированной анатомической LoRA или настройку промпта и seed. Лицензия указана как иная, с названием qwen-image-western-european-american-female-nsfw-lora-v1-non-commercial; использование ограничено некоммерческими условиями согласно опубликованной лицензии.

ranmadiffusion — дообученная диффузионная модель tashachan28 для генерации изображений в стиле аниме конца 1980-х — начала 1990-х, с акцентом на аниме «Ранма ½». Для вызова целевого стиля рекомендуется добавлять в текстовый запрос ключевое слово «80sanimestyle». Модель обучена методом DreamBooth на 121 кадре из «Ранмы ½» в течение 3000 шагов на базе Linaqruf/anything-v3.0. Модель предназначена для генерации изображений по текстовым запросам и распространяется в форматах Diffusers, PyTorch и safetensors для библиотеки Diffusers. Автор отмечает, что результат зависит от метода сэмплирования; среди удачных вариантов названы DPM2 и DPM++ с их вариантами. Лицензия — CreativeML OpenRAIL-M.

romcom-diffusion — модель генерации изображений, созданная автором jkcarney методом DreamBooth дообучения Stable Diffusion 1.5. Она предназначена для создания кадров в эстетике романтических комедий 1990-х годов по текстовым запросам; для активации стиля в запросе используется фраза «romcom style», а автор рекомендует добавлять «movie still». Обучение проводилось на обрезанных изображениях размером 512×512 из фильмов «10 причин моей ненависти», «Бестолковые» и «Американский пирог», включая сцены с людьми, массовкой, автомобилями и общими планами. Модель распространяется в форматах Diffusers и Safetensors по лицензии CreativeML OpenRAIL-M. Карточка рекомендует sampler DPM++ 2S a Karras, однако результат зависит от текста запроса и настроек генерации. Обучающий набор ограничен несколькими фильмами, поэтому модель может хуже передавать стиль других кинематографических эпох и сюжетов; специальных гарантий точности лиц автор не заявляет.