I.8Изображения и компьютерное зрение

SatQuest — мультимодальная модель семейства Qwen2-VL, разработанная в рамках проекта NED University of Engineering & Technology для ответов на вопросы по спутниковым изображениям. Она дообучена на базе Abdullah-123/qwen2vl-2b-hrvqa-lora с помощью continued SFT: модель обучали формулировать ответы полными предложениями, а не короткими метками или числами. Модель предназначена для визуального анализа спутниковых снимков: она отвечает на вопросы о видимых объектах, транспорте, воде и их количестве. Размер модели — 1,5 млрд параметров, контекст — до 32 768 токенов. В карточке указаны английский язык и архитектура Qwen2-VL с поддержкой зрения и чата; веса опубликованы в формате safetensors. Лицензия — Apache-2.0. Модель специализирована на спутниковых изображениях и вопросно-ответных парах HRVQA, поэтому её ответы для других типов изображений или задач могут быть менее надёжными.

scottpilgrim — модель генерации изображений по текстовому описанию, созданная spooncats методом DreamBooth на основе Stable Diffusion. Она предназначена для генерации изображений с определённой концепцией Scott Pilgrim по текстовым запросам; в карточке приведены примеры изображений и способы запуска через интерфейсы A1111 и diffusers. Модель распространяется в формате diffusers/PyTorch по лицензии CreativeML OpenRAIL-M. В метаданных не указаны размер модели, длина контекста, языки и точная базовая версия Stable Diffusion. Качество и ограничения генерации зависят от обученной концепции и формулировки запроса; сведений о специальных гарантиях или оценках качества в карточке нет.

HotJellyBean/skin-disease-classifier — модель классификации изображений на базе Swin Transformer, представленная автором HotJellyBean. Она относит изображение кожного образования к одной из восьми категорий: актинический кератоз, базальноклеточная карцинома, доброкачественный кератоз, дерматофиброма, меланоцитарный невус, меланома, плоскоклеточная карцинома или сосудистое поражение. Модель рассчитана на RGB-изображения размером 224×224 пикселя и обучена на данных ISIC; содержит 58,7 млн параметров. Модель подходит для исследовательской и учебной классификации изображений кожных поражений и может применяться для предварительной сортировки таких изображений. Это не медицинский диагностический инструмент: результаты следует оценивать совместно со специалистом. Веса доступны в формате safetensors по лицензии MIT.

SoteDiffusion Cascade — ранняя версия модели для генерации аниме-иллюстраций по текстовому описанию, созданная как дообучение Stable Cascade. Обучение ещё продолжается; автор сообщает, что текущая версия тяготеет к более старым стилям аниме. Модель распространяется в формате Diffusers с весами Safetensors. Модель рассчитана на создание аниме-арта, в том числе изображений с тегами стиля, качества и эстетики. Для направления генерации в сторону аниме автор рекомендует добавлять в запрос тег «anime illustration». Реалистичная генерация не проверялась; из-за сильного сжатия латентного представления глаза персонажей на дальнем плане могут получаться неудачно. Лицензия указана как other; автор запрещает коммерческое использование, ссылаясь на Stability AI.

SoteDiffusion Wuerstchen3 — экспериментальная аниме-модель для генерации изображений по текстовому описанию. Автор дообучил Würstchen V3 на датасете аниме-иллюстраций; в карточке также указана базовая модель Disty0/sote-diffusion-cascade-alpha0. Модель распространяется в формате Diffusers с весами SafeTensors и предназначена для запуска, в частности, через SD.Next или ComfyUI. Обучение ещё продолжается. Карточка описывает настройку для иллюстраций в аниме-стиле, включая рекомендации по разрешению и параметрам генерации. Реалистичные изображения не тестировались; модель может переключаться на реалистичную стилистику, а глаза персонажей на дальнем плане, анатомия и кисти рук могут получаться неудачно. В README указано ограничение на коммерческое использование; конкретная лицензия обозначена в метаданных как other.

ChayanM/SwinV2-GPT2_Mimic — дообученная модель архитектуры vision-encoder-decoder, опубликованная в формате safetensors. Она принимает изображение и генерирует текст; название указывает на сочетание SwinV2 и GPT-2, однако карточка не подтверждает состав архитектуры, базовую модель или назначение генерируемого текста. В README приведены результаты оценки: Loss 0,1623, Rouge-1 30,2654, Rouge-2 21,4825, Rouge-L 30,2471 и средняя длина генерации 9 токенов. Модель может подходить для экспериментов с генерацией текста по изображениям, но датасет и конкретный сценарий применения не описаны. Лицензия в предоставленных данных не указана.

TEOChat — мультимодальный помощник для диалога о последовательностях спутниковых снимков Земли, разработанный авторами проекта TEOChat. Модель предназначена для анализа изменений во временных рядах изображений наблюдения Земли и выполнения инструкций по таким данным. Архитектура LLaVA объединяет общий для временной последовательности визуальный энкодер с языковой моделью LLaMA 2 через MLP-проектор. Модель содержит 6,6 млрд параметров, поддерживает контекст до 4096 токенов и распространяется в формате PyTorch. Для обучения авторы создали набор TEOChatlas из 554 071 примера для множества задач с временными данными наблюдения Земли. TEOChat рассчитана на специализированные задачи анализа временных спутниковых изображений и диалога по ним. Карточка не перечисляет конкретные поддерживаемые языки. Модель распространяется по лицензии Apache-2.0.

uAI-NEXUS-MedVLM-1.0a-7B-RL — мультимодальная медицинская модель UII-AI для анализа хирургических видео. Это плотная модель Qwen2.5-VL с 7,1 млрд параметров, дообученная на Qwen/Qwen2.5-VL-7B-Instruct в два этапа: supervised fine-tuning на вопросах и ответах по медицинским видео, затем оптимизация GRPO с наградами за временную точность и клиническую семантику. Модель принимает видео и текстовые запросы, а ответы формирует на английском языке; контекст — до 128 000 токенов. Модель предназначена для локализации действий во времени, пространственно-временной привязки объектов, предсказания следующего действия, суммаризации видео, описания регионов и оценки хирургических навыков, включая CVS. Обучение проводилось на 51 505 парах видео-инструкций из восьми наборов хирургических данных. Лицензия — Apache 2.0. Модель оптимизирована для медицинских и хирургических видео и может хуже работать в других областях. Наилучшие результаты ожидаются при частоте выборки кадров 0,1–1 кадр/с и видео длительностью несколько минут; длинные ролики обрабатываются с выборкой кадров. Основной язык медицинской терминологии — английский.

Atul8827/vilt_finetuned_200 — дообученная модель визуальных вопросов и ответов на основе dandelin/vilt-b32-mlm. Она принимает изображение вместе с текстовым вопросом и предназначена для ответа на вопросы о содержимом изображения. Модель использует архитектуру ViLT и содержит 136,7 млн параметров; для репозитория указаны веса safetensors и контекст длиной 40 токенов. Карточка сообщает о дообучении на наборе данных, обозначенном как None, и приводит результаты оценки: loss 9,2119, accuracy 0,0 и F1 0,0. Эти показатели не подтверждают практическую точность модели. Лицензия — Apache-2.0.

Waltz_with_Bashir_Diffusion — модель генерации изображений на основе Stable Diffusion v1.5, дообученная на кадрах мультфильма «Вальс с Баширом». Разработчик — владелец репозитория mikesmodels. Для получения изображений в характерной стилистике модели рекомендуется добавлять к запросу ключевое слово «wltzwthbshr». Модель принимает текстовые запросы на английском языке и создаёт изображения; карточка демонстрирует работу через Diffusers и указывает форматы Diffusers и PyTorch. В примере генерации показаны настройки Euler a, 35 шагов, CFG 7 и разрешение 1024×1024 с high-res fix, но это параметры примера, а не гарантированные характеристики модели. Указана лицензия CreativeML Open RAIL-M. Модель специализирована на стилистике исходного мультфильма, поэтому её результаты могут быть менее предсказуемы для запросов вне этой области.

SDim1973/Z-Image-Loras — набор адаптеров LoRA для генерации изображений на базе Tongyi-MAI/Z-Image и Tongyi-MAI/Z-Image-Turbo. По описанию, проект связан с автором или сопровождающим nphSi. Адаптеры предназначены главным образом для text-to-image-сценариев с воспроизведением внешности известных людей, персонажей и других образов по специальным trigger words. Модель использует формат LoRA и файлы safetensors, совместима с экосистемой Diffusers. Для активации адаптера требуется указывать полное имя LoRA и соответствующий триггер вида vrtlxxxx; обычные описания вроде woman или 1girl могут не сработать. Для некоторых адаптеров предусмотрено несколько триггеров, а также отдельный vrtlMain для их объединения. В README приведены рекомендации по настройке, включая примеры применения с Z-Image-Turbo и параметры, использованные для превью. Сильная сторона набора — специализированная настройка под большое количество конкретных лиц, персонажей и образов. Ограничения включают необходимость использовать совместимую базовую модель и точные триггеры, возможные проблемы при неоднозначных или плохо распознаваемых именах, а также вариативность результата в зависимости от исходных возможностей базовой модели. Поддерживаемые языки, размер адаптеров, максимальный контекст и точные технические параметры в README не указаны. Лицензия — Apache-2.0.

John6666/4th-tail-anime-hentai-v50-sdxl — модель генерации изображений по текстовому описанию, созданная Minthybasis на основе Stable Diffusion XL. Карточка сообщает о наборе из более чем 8 тысяч стилей художников, доступных через wildcard, и нескольких общих стилях. Модель предназначена для создания аниме-иллюстраций, персонажей с хвостами и изображений в стилях разных художников по текстовым запросам. Для работы используются библиотека Diffusers и формат SafeTensors. В карточке указаны английский язык и маркировка «not for all audiences»; лицензия обозначена как other, без дополнительных условий в предоставленных данных.

Модель A-Merk — дообученная с помощью DreamBooth модель Stable Diffusion для создания изображений с концепцией инопланетного коралла. Для генерации используйте текстовый запрос с фразой «a photo of sks alien coral». Модель предназначена для получения изображений по тексту, включая иллюстрации и вариации заданной концепции. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — MIT.

CyberRealistic Pony Semi-Realistic — модель генерации изображений от Cyberdelia на основе Stable Diffusion XL (SDXL), дообученная для создания полуфотореалистичных изображений персонажей-пони. Она сочетает стилизованную подачу с реалистичными текстурами и освещением и рассчитана на создание иллюстраций, концепт-арта и дизайна персонажей по текстовым запросам. Модель поставляется в формате safetensors со встроенным VAE. В README рекомендованы 30 и более шагов сэмплирования и разрешения 896×1152 или 832×1216. Модель лучше справляется с темами пони; запросы на абстрактные изображения и сюжеты без пони могут давать менее удачные результаты. Освещение и текстуры иногда выглядят слишком гладкими, а некоторые результаты могут быть чувствительными. Лицензия в метаданных указана как CreativeML OpenRAIL-M.

MirageML/fantasy-sword — модель генерации изображений на основе Stable Diffusion, дообученная автором на концепции фэнтезийного меча с помощью DreamBooth. Для генерации используйте запрос с триггером «a photo of fantasy_sword» и опишите желаемое изображение. Модель предназначена для создания изображений мечей в фэнтезийной тематике по текстовому описанию; карточка также упоминает исследование преобразования текста в 3D на платформе Mirage, но не описывает отдельный 3D-чекпойнт. Модель распространяется в форматах Diffusers, PyTorch и Safetensors по лицензии CreativeML OpenRAIL-M. В карточке не приведены размер модели, длина контекста и подробности о качестве или ограничениях генерации.

FurryDiffusion — модель генерации изображений по текстовому описанию, созданная для создания furry-арта. Для получения подходящего результата автор рекомендует добавлять в запрос слово «furry», а для указания породы — название породы. Пример запроса описывает лиса с оранжевым мехом и голубыми глазами; для запуска доступны Diffusers и интерфейс A1111. Модель основана на Stable Diffusion и связана с Anything v3.0; репозиторий содержит веса в форматах Diffusers и PyTorch. Автор характеризует её как бета-версию, которая продолжает улучшаться, поэтому качество генерации может быть нестабильным. Лицензия — CreativeML OpenRAIL-M.

Gigafractal Diffusion — модель генерации изображений по тексту на основе Stable Diffusion v1.5, дообученная автором kabachuha методом DreamBooth. Для обучения использованы 40 изображений, созданных Disco Diffusion; обучение нацелено на биоморфный фрактальный художественный стиль. Чтобы задать этот стиль, автор рекомендует добавлять в запрос фразу «gigafractal artstyle». Модель предназначена для генеративного искусства и развлекательного использования. Модель распространяется в форматах Diffusers, PyTorch и safetensors по лицензии CreativeML OpenRAIL-M. Лицензия разрешает коммерческое использование и распространение при соблюдении её ограничений, включая передачу пользователям условий лицензии и запрет на намеренное создание или распространение незаконного и вредоносного контента. Автор описывает проект как исследование возможностей и ограничений DreamBooth при увеличенном числе шагов обучения; заявленная сопоставимость качества с другими генераторами является субъективной оценкой автора.

MedM-VL-2D-3B-en — мультимодальная модель для работы с двумерными медицинскими изображениями и англоязычным медицинским текстом. В README указаны разработчик и точная конфигурация архитектуры; по метаданным модель объединяет Qwen/Qwen2.5-3B-Instruct и визуальный энкодер google/siglip-base-patch16-256-multilingual, соединённые двухслойным MLP. Репозиторий содержит веса Safetensors, размер языковой модели — 3 млрд параметров. Модель предназначена для генерации медицинских отчётов, ответов на вопросы об изображениях, понимания и генерации выражений, указывающих на области изображения, а также классификации медицинских изображений. README приводит результаты на MedMNISTderma, MedMNISTorgan и MedPix; на первых двух наборах показаны высокие результаты относительно перечисленных моделей сравнения, тогда как на MedPix результат ниже указанного для LLaVA-Med. Модель принимает изображения и текстовые запросы и генерирует текстовые ответы. Карточка заявляет работу с 2D-изображениями и английским медицинским текстом; длина контекста не приведена. Лицензия — Apache-2.0. Оценки приведены лишь для части бенчмарков и не гарантируют качество на других типах изображений или клинических сценариях; модель следует рассматривать как вспомогательный инструмент, а не замену профессиональной медицинской оценки.

Модель Stable Diffusion от StatsGary, дообученная методом DreamBooth на изображениях норвежских фьордов. Она предназначена для генерации изображений по текстовым запросам с фьордом в качестве пейзажного фона; для активации тематического концепта в запросе можно использовать фразу «a viking on the fjords». Модель поддерживает сценарии от создания пейзажных иллюстраций до изображений объектов, персонажей и фантастических сцен у фьорда. Модель распространяется в форматах Diffusers и PyTorch и предназначена для использования с библиотекой Diffusers и StableDiffusionPipeline. Лицензия — CreativeML Open RAIL-M. Карточка демонстрирует разные стили и сюжеты, однако не приводит количественных оценок качества или технических характеристик обучения.

gokaygokay/PaliGemma-PixelProse — дообученная модель семейства PaliGemma для генерации текста по изображению. Она принимает изображение и текстовый запрос и формирует текстовый ответ; модель обучена на 7500 случайных примерах из набора PixelProse. Архитектура — PaliGemmaForConditionalGeneration, формат весов — safetensors, запуск предусмотрен через Transformers. Модель подходит для экспериментов с описанием и интерпретацией изображений в стиле данных PixelProse. README указывает разрешение PaliGemma 224×224. Репозиторий распространяется по лицензии Apache-2.0. Небольшой случайный поднабор обучения может ограничивать качество и охват сценариев.

Qwen-Image-Edit-2509-Photo-to-Anime — модель LoRA, разработанная AutoWeeb и дообученная на базе Qwen/Qwen-Image-Edit-2509. Она предназначена для преобразования фотографий в изображения в стиле аниме, манги и близких к ним визуальных направлений. Модель поддерживает сценарии image-to-image и рассчитана на работу с простыми текстовыми запросами, например «transform into anime». Для тестирования доступны интеграция через Hugging Face и рабочий процесс ComfyUI. Модель ориентирована на обработку фотографий высокого разрешения и относится к мультимодальным системам редактирования изображений, однако точные архитектурные параметры, количество параметров, максимальный контекст и поддерживаемые разрешения в README не указаны. В метаданных заявлены английский и китайский языки, но подробности языковой поддержки отсутствуют. README отмечает, что модель лучше работает с простыми запросами и может демонстрировать лучшие результаты при использовании с Phr00t/Qwen-Image-Edit-Rapid-AIO. Модель распространяется по лицензии MIT. Ограничения включают отсутствие подробной информации о качестве на разных типах изображений, стабильности сохранения исходных деталей и официальных технических характеристиках. Она предназначена прежде всего для стилизации фотографий, а не для универсального редактирования изображений.

Shinkai-Art — модель генерации изображений по текстовому описанию на основе Stable Diffusion, созданная автором krystv и дообученная на базе andite/anything-v4.0. Она предназначена для создания изображений в стиле аниме-фильмов Макото Синкая, вдохновлённых, среди прочего, фильмами «Твоё имя» и «Дитя погоды». Для активации стиля автор рекомендует использовать триггерные слова shinkai-art, shinkaiart или portrait. Модель распространяется в форматах Diffusers, PyTorch и safetensors под лицензией CreativeML OpenRAIL-M. Карточка не сообщает размер модели и длину контекста. Обучающая выборка, по словам автора, получена из упомянутых фильмов; её состав и ограничения прав на данные не раскрыты.

TIPOv2-1B-A200M — модель для оптимизации текстовых запросов к Text-to-Image системам, разработанная KBlueLeaf. Она выполняет предварительное расширение короткого пользовательского запроса в более подробное описание перед передачей его диффузионной модели. Модель обучена на данных с подписями и тегами изображений, включая Danbooru, Nozomi, CC12M, CoyoHD-11M и LAION-COCO-13M, поэтому ориентирована как на booru-стиль, так и на описания изображений общего назначения. Это разреженная decoder language model архитектуры KohakUwU MoE, близкой к DeepSeekMoE. Она содержит около 991 млн параметров, из которых примерно 193 млн активируются для каждого токена; дополнительно используется embedding-таблица размером около 50 млн параметров. Архитектура включает 16 слоёв, 64 маршрутизируемых эксперта с выбором top-8, один общий эксперт, hidden size 768, GQA с 12 attention heads и 2 KV heads, RoPE и контекст до 4096 токенов. Заявленный язык — английский. К сильным сторонам относятся специализированность для prompt expansion, поддержка тегов и естественного языка, расширенный по сравнению с первой версией контекст и более низкие вычисления на токен благодаря MoE-разреженности. Ограничения модели связаны с узкой специализацией: она предназначена прежде всего для подготовки промптов, а не для универсального диалога или генерации изображений. В README лицензия не указана, поэтому условия использования следует уточнить отдельно.

Карточка модели introvoyz042/uAI-NEXUS-MedVLM-1.0a-7B-RL на Hugging Face совпадает с карточкой UII-AI/uAI-NEXUS-MedVLM-1.0a-7B-RL, поэтому описание составлено по ней. uAI-NEXUS-MedVLM-1.0a-7B-RL — мультимодальная медицинская модель UII-AI для анализа хирургических видео. Это плотная модель Qwen2.5-VL с 7,1 млрд параметров, дообученная на Qwen/Qwen2.5-VL-7B-Instruct в два этапа: supervised fine-tuning на вопросах и ответах по медицинским видео, затем оптимизация GRPO с наградами за временную точность и клиническую семантику. Модель принимает видео и текстовые запросы, а ответы формирует на английском языке; контекст — до 128 000 токенов. Модель предназначена для локализации действий во времени, пространственно-временной привязки объектов, предсказания следующего действия, суммаризации видео, описания регионов и оценки хирургических навыков, включая CVS. Обучение проводилось на 51 505 парах видео-инструкций из восьми наборов хирургических данных. Лицензия — Apache 2.0. Модель оптимизирована для медицинских и хирургических видео и может хуже работать в других областях. Наилучшие результаты ожидаются при частоте выборки кадров 0,1–1 кадр/с и видео длительностью несколько минут; длинные ролики обрабатываются с выборкой кадров. Основной язык медицинской терминологии — английский.

Jak's WOODitize Image Pack — модель преобразования текста в изображения на базе Stable Diffusion 2.1, обученная для создания изображений с текстурой дерева, деревянных вырезок и диорам. Для генерации автор рекомендует начинать запрос с триггера «wooditize», за которым следует описание объекта; также можно сочетать модель с embedding-моделями. Модель обучена на 111 изображениях размером 768 пикселей в течение 8000 шагов, включая 500 шагов обучения текстового энкодера. Репозиторий содержит веса в формате Diffusers/PyTorch и YAML-файл конфигурации, который, по инструкции автора, нужен рядом с файлом модели. Лицензия — CreativeML OpenRAIL-M. Модель подходит для художественной генерации деревянных объектов и сцен в стиле диорам по текстовым описаниям. Она специализирована на визуальном стиле WOODitize, поэтому её применимость к другим стилям и темам может быть ограничена; в карточке также не приведены оценки качества или подробности тестирования.

Animagine XL 3.1 — диффузионная модель для генерации аниме-изображений по текстовым запросам, разработанная Cagliostro Research Lab при участии SeaArt.ai. Это дообученная версия Animagine XL 3.0 на базе Stable Diffusion XL; репозиторий содержит веса в форматах Diffusers и safetensors. Модель улучшает понимание промптов, прорисовку рук и анатомии, поддерживает специальные теги качества, рейтинга, периода и эстетики, а также охватывает больше персонажей известных аниме-сериалов. Модель предназначена для поклонников аниме, художников и создателей контента, которым нужны детализированные иллюстрации персонажей и сцен. Она лучше работает с подробными промптами в стиле тегов Danbooru, чем с короткими запросами на естественном языке. Модель ориентирована на аниме и не подходит для реалистичных фотографий; анатомия и руки всё ещё могут получаться неточно. Модель может генерировать материалы категории NSFW, в том числе без явного запроса. В README указана лицензия Fair AI Public License 1.0-SD; метаданные Hugging Face обозначают лицензию как other.

Blade Runner 2049 v1 — модель генерации изображений по тексту, созданная wimvanhenden методом DreamBooth на базе Stable Diffusion v1.5. Она предназначена для создания изображений в стилистике Blade Runner 2049; в запросе рекомендуется использовать префикс bldrnrst. Модель распространяется в форматах Diffusers и PyTorch по лицензии CreativeML OpenRAIL-M. Карточка не описывает дополнительные возможности, ограничения генерации или настройки обучения.

Realistic Lucy Edgerunners — модель генерации изображений по текстовому описанию, обученная на базе Stable Diffusion 1.5. Она предназначена для создания изображений персонажа Люси из Edgerunners в реалистичном стиле. Модель распространяется в форматах Diffusers и PyTorch; лицензия — CreativeML OpenRAIL-M. Карточка сообщает о дообучении SD 1.5, но не приводит сведения о размере модели, контексте, конкретных настройках обучения или ограничениях качества. Метаданные указывают английский язык; модель принимает текстовые запросы и выдаёт изображения.

Elden Ring Diffusion — дообученная модель Stable Diffusion от nitrosocke, обученная на игровых изображениях Elden Ring с использованием DreamBooth и функции сохранения prior knowledge за 3 000 шагов. Она создаёт изображения по текстовым запросам, добавляя стиль игры при использовании в промпте слов «elden ring style». Модель подходит для генерации портретов, персонажей и фэнтезийных пейзажей в эстетике Elden Ring. Репозиторий содержит веса для Diffusers и PyTorch; в README также упомянута версия checkpoint eldenRing-v3-pruned.ckpt. Указана лицензия CreativeML OpenRAIL-M. Это специализированная модель стилизации, поэтому её результаты ориентированы на визуальную эстетику Elden Ring и зависят от формулировки запроса.

EVA-Fusion 2.22 — модель генерации изображений по текстовому описанию, созданная автором для собственного арт-проекта. Она основана на Stable Diffusion 1.4 и объединяет предыдущие версии EVA-Fusion с исходной моделью CompVis 1.4 и WD 1.3 в разных пропорциях; автор указывает, что обучались U-Net и что ранние версии настраивались на изображениях с тематикой Evangelion. Модель предназначена для создания изображений в стиле Evangelion; автор рекомендует включать эту формулировку в запрос. В README указано, что модель может неожиданно склоняться к чёрно-белым изображениям, хотя почти не обучалась на оттенках серого. Репозиторий распространяется в формате Diffusers и PyTorch. Лицензия — BigScience BLOOM RAIL 1.0.