I.8Изображения и компьютерное зрение

Модель DifeiT/rsna-intracranial-hemorrhage-detection — дообученная версия Vision Transformer google/vit-base-patch16-224-in21k для классификации медицинских изображений, связанная с выявлением внутричерепного кровоизлияния. Она принимает изображения и выдаёт класс классификации. Модель содержит 113,2 млн параметров; веса представлены в формате PyTorch. В оценке на наборе imagefolder указаны loss 1,2164 и accuracy 0,6152, поэтому результаты следует интерпретировать с учётом ограниченной точности и проверять на данных целевого применения. Лицензия — Apache-2.0.

TEM-LLM — мультимодальная языковая модель для анализа изображений просвечивающей электронной микроскопии (TEM), разработанная на базе LLaVA-v1.5-7B и дообученная с помощью четырёхэтапного обучения с учётом сложности примеров. Для обучения использовано около 216 тысяч пар вопрос–ответ по 40 тысячам изображений TEM. Модель принимает изображение и текстовый вопрос и формирует текстовый ответ; размер составляет 6,6 млрд параметров, контекст — 4096 токенов. Модель предназначена для классификации режимов съёмки CTEM, HRTEM, STEM и дифракции, обнаружения и подсчёта наночастиц и границ зёрен, интерпретации микроструктурных особенностей и составления описаний изображений. Она специализирована на материаловедении и научном анализе TEM-снимков. Для инференса требуется репозиторий LLaVA: напрямую загрузить модель через Transformers нельзя. Ответы дают приблизительные качественные описания, а не точные количественные измерения; на изображениях и вопросах вне целевой области результаты могут быть ненадёжными. Лицензия — Llama 2.

Hemg/Wound-Image-classification — модель классификации изображений ран, созданная дообучением Vision Transformer (ViT) google/vit-base-patch16-224-in21k. Она предназначена для отнесения изображений к классам, заданным при обучении; точный список классов и состав датасета в карточке не раскрыты. Модель содержит 113,2 млн параметров и распространяется в формате safetensors. В README сообщается о loss 0,1209 и accuracy 0,965 на оценочном наборе. Эти результаты относятся только к указанному набору данных и не подтверждают качество на других источниках изображений или в клинической практике. Модель распространяется по лицензии Apache-2.0.

ECG‑CLIP‑BEiT‑Base‑384 — модель на основе CLIP, дообученная на парах изображений ЭКГ и текстов эхокардиографических заключений. Зрительный энкодер построен на microsoft/beit-base-patch16-384, текстовый использует собственный токенизатор ByteLevel BPE с размером словаря 16 030; проекция имеет размерность 512. Модель предназначена для получения эмбеддингов изображений ЭКГ и классификации эхокардиографических фенотипов без отдельного обучения на каждом классе: изображение сравнивается по косинусному сходству с заранее рассчитанными центроидами. В качестве примеров фенотипов указаны дисфункция левого желудочка и аортальный стеноз. Обучение проводилось на парах изображений ЭКГ и соответствующих текстов эхокардиографических заключений. Модель разработана CarDSLab и распространяется по лицензии CC BY-NC 4.0, допускающей использование с указанием авторства, но не коммерческое применение. Карточка не сообщает результаты клинической валидации и не описывает ограничения на конкретные устройства, популяции или форматы ЭКГ, поэтому применимость для медицинских решений следует оценивать отдельно.

Gigafractal2 Diffusion — латентная диффузионная модель генерации изображений по тексту, созданная автором kabachuha на основе Stable Diffusion 2.0 от Stability AI. Модель дообучена методом DreamBooth на 40 изображениях, созданных Disco Diffusion; обучение продолжалось 2040 шагов. Для получения характерного биоморфного фрактального стиля автор рекомендует добавлять в запрос фразу «gigafractal artstyle». Модель предназначена для генеративного искусства и развлекательного использования. Модель принимает текстовые запросы на английском языке и генерирует изображения. Она исследовательская по замыслу: автор изучал возможности и ограничения DreamBooth при увеличенном числе шагов и стремился получить стиль Disco Diffusion с меньшей зависимостью от ассоциаций токенов с дискотеками. Распространяется по лицензии CreativeML OpenRAIL-M: разрешены коммерческое использование и распространение весов при соблюдении ограничений лицензии и передаче её копии пользователям. Качество и разнообразие генераций зависят от запроса; специальная настройка модели сосредоточена на одном художественном стиле.

YLX1965 разработал Llama-3.2-11B X-ray v1 — модель для описания медицинских изображений по изображению и текстовой инструкции. Это дообученная с помощью LoRA версия unsloth/Llama-3.2-11B-Vision-Instruct-bnb-4bit на подмножестве unsloth/Radiology_mini; заявлены рентгеновские снимки, КТ и УЗИ. Модель семейства mllama выдаёт текстовые описания изображений и поддерживает диалоговый формат. В карточке приведена конфигурация LoRA с рангом 16 и описана настройка языковых слоёв, модулей внимания и MLP. Модель предназначена для исследовательских и вспомогательных сценариев анализа радиологических изображений, но карточка не приводит клинических оценок точности. Данные обучения ограничены указанным набором и его подмножеством, поэтому качество на иных типах изображений и клинических задачах не подтверждено. Лицензия — Apache-2.0.

Marvel WhatIf Diffusion — модель генерации изображений по текстовому описанию, обученная автором карточки на изображениях персонажей, фонов и объектов из анимационного сериала Marvel «What If…?». Чтобы задать стиль сериала, в промпт добавляют токен «whatif style»; модель подходит для создания портретов персонажей, пейзажей и отдельных объектов в этом стиле. Она предназначена для развлечения и исследований, не связана с Marvel или правообладателями сериала. Модель распространяется по лицензии CreativeML OpenRAIL-M: она допускает использование и распространение весов и производных с ограничениями лицензии. Карточка рекомендует подбирать промпты и настройки для улучшения результата; коммерческое применение автор не планировал.

Модель NickKolok — это Stable Diffusion, дообученная методом DreamBooth для генерации изображений с персонажем Мэрил Страйф из серии Trigun. Чтобы вызвать этот образ в запросе, используйте триггер merylstryfetrigun. Модель предназначена для генерации изображений по текстовому описанию и доступна в форматах Diffusers и PyTorch. Она опубликована под лицензией CreativeML OpenRAIL-M, условия которой следует учитывать при использовании и распространении результатов.

MyneFactory/MF-AscendanceOfABookworm — модель генерации изображений по текстовому описанию, созданная Juusoz, Tylenol, Goldkoron и Expl0dingCat. Она предназначена прежде всего для создания изображений персонажей, сцен и стилистики аниме «Ascendance of a Bookworm», а также художественных изображений в стиле MyneFactoryBase. Модель работает с текстовыми промптами на английском языке. В карточке указаны форматы Diffusers, PyTorch и Safetensors, а файлы весов представлены в форматах CKPT и Safetensors. Авторы рекомендуют 40 шагов, сэмплер DPM++ SDE Karras, CFG 7 и размер изображения от 768 × 768 пикселей. Лицензия — CreativeML OpenRAIL-M. Промпты могут включать стилевые теги MFB Style или AOB Style, персонажей, атрибуты и описание сцены. Модель специализирована на тематике сериала; качество генерации и точность следования промпту могут зависеть от формулировок и настроек. README не приводит длину контекста или точный размер модели в параметрах.

MyneFactory/MF-EminenceInShadow — модель генерации изображений по текстовому описанию от автора Snowad14. Она дообучена для создания изображений по мотивам серии «Восхождение в тени!» (Kage no Jitsuryokusha ni Naritakute!), включая персонажей, костюмы и сцены из неё. Модель принимает текстовые промпты с именем персонажа и описаниями атрибутов, объектов и действий; обученные форматы промптов перечислены в карточке модели. Рекомендуются размеры 1024×576, 768×768 или 640×1024, CFG 9–12 и не менее 30 шагов. Репозиторий содержит веса в форматах Diffusers и PyTorch. Лицензия — CreativeML OpenRAIL-M. Модель ориентирована на тематическую генерацию и может требовать подбора промпта и параметров. Карточка не описывает систематические ограничения качества.

MiniMax-H3 FL2V 8-Step Motion Enhancer — адаптер LoRA от rzgar для видеомодели MiniMax-H3 ref2va, разработанной MiniMaxAI. Модель создана на основе vanilla LightX2V 8-step LoRA от LightX2V и предназначена для генерации и улучшения видео с поддержкой сценариев text-to-video, image-to-video, reference-to-video и других мультимодальных режимов, заявленных для базовой модели. Основная специализация адаптера — улучшение генерации NSFW-контента: более точное воспроизведение мужской и женской анатомии, а также лучшее понимание движений, связанных с NSFW-сценариями, и их анимации. Модель рассчитана на работу в восьмишаговом режиме диффузионной генерации, что ориентировано на ускоренное получение результата. Точные сведения о размере, языках, максимальном контексте и поддерживаемых разрешениях в README не указаны. Адаптер поставляется в формате Safetensors. Для его использования требуется базовая модель MiniMax-H3 ref2va; согласно README, vanilla LightX2V LoRA следует отключить. Лицензия — Apache 2.0. Ограничения включают зависимость от базовой модели и специализированную направленность на NSFW-анатомию и движения, поэтому качество в других типах сцен может отличаться и отдельно не описано.

Модель marwaALzaabi/plant-disease-detection-vit — дообученный классификатор изображений на основе ViT-Large с патчами 16×16, предобученного на ImageNet-21k. Она предназначена для классификации изображений растений по состоянию здоровья и обнаружения болезней растений. В README указаны точность 1,0 и потеря 0,0002 на оценочном наборе, однако датасет обозначен как None, поэтому эти результаты не позволяют оценить обобщающую способность модели. Модель содержит около 402,7 млн параметров, использует библиотеку Transformers и формат весов safetensors. Лицензия — Apache-2.0. Оценка принимает изображение и возвращает метку класса; конкретные классы болезней, условия съёмки и границы применимости не описаны.

retinal_disease_model — дообученная Elias Teikari модель Vision Transformer для классификации изображений сетчатки по категориям заболеваний. Она основана на google/vit-base-patch16-224, содержит 113,2 млн параметров и предназначена для сценариев, где нужно автоматически отнести изображение к одному из классов. Репозиторий использует библиотеку Transformers и формат весов safetensors. На оценочном наборе указаны loss 0,8147 и accuracy 0,6062. Состав классов, набор данных и подробности оценки не описаны, поэтому эти результаты не позволяют судить о клинической точности модели или её применимости к изображениям из других источников. Лицензия — Apache-2.0.

SigLIP Skin Lesion Classifier — модель SkinTag Labs для классификации изображений кожных поражений и предварительной сортировки случаев по риску. Она дообучена на базе google/siglip-so400m-patch14-384: разморожены последние четыре слоя vision transformer и добавлена классификационная голова. Базовая модель содержит 878 млн параметров; обучение использовало выборку из 47 277 изображений дерматологических наборов данных с балансировкой по фототипам кожи Fitzpatrick. Модель предназначена для классификации по 10 категориям, включая меланому, базальноклеточную и плоскоклеточную карциному, а также для триажа «доброкачественное или злокачественное». В README приводятся результаты оценки бинарного триажа и проверка на фототипах Fitzpatrick I–VI, но они не подтверждают пригодность для постановки диагноза. Репозиторий содержит веса PyTorch и артефакты классификаторов. Лицензия модели — MIT; базовая SigLIP указана под Apache 2.0.

SoteDiffusion Wuerstchen3 — экспериментальная модель генерации изображений в стиле аниме, созданная Disty0 как дообучение Würstchen V3. Она принимает текстовые запросы и предназначена прежде всего для создания аниме-иллюстраций; автор приводит примеры работы с разрешением 1024×1536 и 2048×1152, а также с разрешениями, кратными 128. Модель обучалась с помощью Kohya SD-Scripts на ветке Stable Cascade; в README указана базовая модель Disty0/sote-diffusion-cascade-alpha0. Модель находится на раннем этапе обучения. Реалистичная генерация не проверялась, возможны реалистичные результаты вместо аниме, ошибки в анатомии и руках, а также дефекты глаз у персонажей на дальнем плане. Для исправления реалистичных результатов автор советует добавлять тег realistic в negative prompt. Лицензия указана как other; автор предупреждает, что коммерческое использование запрещено.

The Owl Characters V2 — модель генерации изображений, созданная Jartemio на базе Stable Diffusion и обученная с помощью EveryDream Trainer 2.0 на персонажах и стиле мультсериала The Owl House. Для стилизации в промпте используется ключ aniscreen; для персонажей предусмотрены отдельные ключи, в том числе GusPorter из-за ошибки в обучающих данных. Модель предназначена для создания изображений персонажей The Owl House по текстовому описанию, с возможностью использовать или опускать ключ стиля. В README отмечено, что результаты для EmperorBelos, KingClawthorne и ряда других персонажей требуют улучшения. Модель распространяется в формате Diffusers с весами safetensors по лицензии OpenRAIL.

s3nh/zelda-botw-stable-diffusion — модель генерации изображений, созданная дообучением Stable Diffusion v1.5 автором s3nh. Она предназначена для создания иллюстраций в стиле художественных работ по игре The Legend of Zelda: Breath of the Wild; для усиления этого стиля в запрос рекомендуется добавлять фразу «botw style». Модель основана на DreamBooth, обучалась с сохранением prior и дообучением текстового энкодера, распространяется в форматах Diffusers и PyTorch и использует библиотеку Diffusers. Модель принимает текстовые запросы и генерирует изображения. Лицензия — CreativeML OpenRAIL-M. Результаты зависят от формулировки запроса, а специализация на стилистике BOTW ограничивает её пригодность для задач, требующих универсального или строго контролируемого визуального стиля.

Jersonm89/Avatar — модель генерации изображений по текстовому описанию на основе Stable Diffusion, предназначенная для создания изображений персонажей фильма «Аватар» с чертами лица человека, указанного в запросе. В карточке сказано, что модель обучена на изображениях из фильма Джеймса Кэмерона «Аватар». Модель распространяется в форматах Diffusers и PyTorch и использует лицензию CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста или подробности о базовом чекпойнте. Качество и сходство результатов могут зависеть от формулировки запроса; сведения о дополнительных ограничениях не приведены.

alea31415 разработал эту модель для генерации изображений по текстовым описаниям с персонажами и понятиями из аниме «Не хочу получать урон, поэтому вкладываю всё в защиту» (Bofuri). Модель обучена на 33 концепциях, включая персонажей, их образы и связанных с ними существ; базой послужила ACertainty. Это модель семейства Stable Diffusion, предназначенная для создания аниме-иллюстраций по текстовым промптам, в том числе сцен с одним или двумя заданными персонажами. Для подсказок можно использовать имена концепций и описания одежды или сцены; добавление aniscreen усиливает аниме-стиль. Автор предупреждает, что при сочетании трёх и более концепций часто смешиваются персонажи и одежда, а для некоторых образов и нечеловеческих персонажей результаты слабее. Доступны веса Diffusers и Safetensors, а также промежуточные контрольные точки в формате ckpt. Модель распространяется по лицензии CreativeML OpenRAIL-M.

CALAMITY — специализированная модель генерации изображений в жанре хоррор, созданная на основе Prometheus. Согласно карточке, Prometheus является полноранговым дообучением архитектуры Playground v2.5; CALAMITY обучена на подборке хоррор-изображений и использует пользовательскую интеграцию CLIP для согласования изображений с текстовыми запросами. Модель предназначена для создания мрачных, жутких, сюрреалистичных и тревожных иллюстраций, в том числе концепт-арта для игр, фильмов и книг. В README рекомендованы разрешение 1024×1024, Clip Skip 2, CFG Scale 7 и 30–60 шагов; репозиторий использует Diffusers и формат safetensors. Лицензия — Apache-2.0. Модель ориентирована на узкую эстетическую задачу и может быть менее подходящей для изображений вне жанра хоррор. Заявленные параметры генерации являются рекомендациями из карточки, а не гарантией результата.

Professor/CGIAR-Crop-disease — модель классификации изображений, дообученная на базе gianlab/swin-tiny-patch4-window7-224-finetuned-plantdisease. Она использует архитектуру Swin Transformer и содержит около 33 млн параметров. Модель предназначена для классификации изображений растений по категориям болезней и здорового состояния; базовая модель ориентирована на листья томата, картофеля и сладкого перца. На оценочном наборе указаны точность 69,64% и функция потерь 0,7438. Эти результаты не описывают состав набора данных или качество на других культурах и условиях съёмки. Модель опубликована в формате safetensors под лицензией Apache-2.0.

CheXagent-2-3b-srrg-findings — модель Stanford AIMI для анализа рентгеновских снимков грудной клетки и подготовки структурированных радиологических заключений в формате SRRG. Она построена на архитектуре Phi и имеет 3,5 млрд параметров; модель принимает изображение и формирует текстовый ответ. В метаданных указаны поддержка image-to-text и генерации текста, диалоговый режим, английский язык и контекст до 2048 токенов. Модель предназначена для исследовательских и вспомогательных сценариев анализа медицинских изображений, включая формулировку находок по рентгенограммам. Карточка содержит пример адаптированного скрипта для SRRG, но не приводит подробных оценок качества или клинической валидации. Распространяется по лицензии MIT.

Guizmus/DarkSoulsDiffusion — модель генерации изображений на основе Stable Diffusion, дообученная автором в стиле серии Dark Souls методом DreamBooth. Для вызова обученной стилистики в запросе используется триггер «DarkSouls Style»; модель предназначена для создания изображений по текстовым описаниям в этой эстетике. Обучение проводилось на 100 изображениях: сначала 2500 шагов с learning rate 1e-6, затем ещё 24 000 шагов с learning rate 1e-7. В README рекомендуются сэмплеры k_Euler_a или DPM++ 2M Karras, 20 шагов и CFG 7. Репозиторий содержит формат Diffusers, веса Safetensors и связан со Stable Diffusion; для запуска приведён пример с библиотекой Diffusers. Модель принимает текстовые запросы на английском языке и выдаёт изображения. Лицензия — CreativeML OpenRAIL-M. Модель настроена на ограниченный художественный стиль, а не на универсальную генерацию; обучение на небольшом наборе изображений может ограничивать разнообразие и обобщение результатов.

Это экспериментальный исследовательский репозиторий timofeyivanov0701 по визуальным вопросам и ответам (Visual Question Answering, VQA). README описывает набор исследовательских заметок о постановке задачи, возможных смешивающих факторах и сравнении с сопоставимыми базовыми методами; заявленная область оценки включает VQAv2, GQA и OK-VQA. Метаданные указывают архитектуру Transformer с плотными слоями, объём 1,6 млн параметров, контекст 256 токенов и файлы весов в формате safetensors. Материалы предназначены для изучения ответов на вопросы по изображениям и планирования воспроизводимой оценки. README прямо уточняет, что результаты, улучшения на бенчмарках и обученный чекпойнт не заявлены, а описанные датасеты и планы не подтверждают, что эксперименты уже проводились. Лицензия репозитория — CC BY 4.0.

FarhanKO выпустил модель классификации изображений сканированных распечаток ЭКГ с 12 отведениями. Основная модель — дообученная на ImageNet ResNet50V2; в репозитории также представлены дообученные EfficientNetB0 и DenseNet121. Конвейер сначала проверяет, похож ли вход на распечатку ЭКГ, затем классифицирует её как Abnormal_Heartbeat, History_of_MI, Myocardial_Infarction или Normal и направляет случаи с низкой уверенностью на ручную проверку. В полном конвейере Grad-CAM показывает области, повлиявшие на результат. Модель принимает RGB-изображение сетки ЭКГ, включая обрезанный фрагмент или распечатку исходного формата, и выдаёт вероятности четырёх классов. Она предназначена для исследовательских и учебных экспериментов с классификацией ЭКГ. В тестировании на 74 ЭКГ развёрнутая ResNet50V2 показала точность 0,878 и macro-F1 0,850, однако обучающие данные включают только 491 уникальную ЭКГ из одной больницы. Модель и обучающие данные распространяются по лицензии CC BY 4.0. README прямо указывает, что модель не является медицинским устройством и не должна использоваться для постановки диагноза или выбора лечения.

NeuroVFM Findings Generation — мультимодальная модель MLiNS Lab для генерации радиологических описаний исследований головного мозга по изображениям КТ и МРТ. Она обучена на более чем 270 тысячах исследований и экспертных заключениях рентгенологов из системы здравоохранения University of Michigan. Архитектура объединяет 3D Vision Transformer ViT-Base/4x16x16px, коннектор Perceiver/Resampler и языковую модель Qwen3-14B. Обучение включало два этапа визуальной настройки инструкций: выравнивание визуальных признаков и последующее дообучение коннектора и LLM. Модель принимает нейровизуализационные изображения и выдаёт текстовые находки; карточка демонстрирует пример для бесконтрастной КТ головы. Модель предназначена для исследовательских сценариев, связанных с подготовкой черновиков описаний нейровизуализации. Она может галлюцинировать, а возможные смещения связаны с когортой пациентов University of Michigan; результаты должны проверяться клиницистом. Модель не одобрена для клинического применения FDA или другими регуляторами. Веса распространяются по CC-BY-NC-SA 4.0 для некоммерческих исследовательских целей, код — по MIT.

Rae Diffusion XL V2 — модель генерации изображений по тексту, разработанная Raelina и дообученная на Animagine XL 3.1. Она предназначена для создания иллюстраций в стиле аниме, особенно изображений персонажей. Модель основана на диффузионной архитектуре Stable Diffusion XL и распространяется в форматах Diffusers и safetensors. Для управления результатом можно использовать теги качества, рейтинга, периода создания и эстетики, унаследованные от Animagine XL 3.1. В README также рекомендуется задавать персонажа и произведение в начале запроса. Указаны настройки генерации: CFG 7, 25–35 шагов и сэмплер Euler a. Модель принимает текстовые запросы на английском и выдаёт изображения; лицензия — Fair AI Public License 1.0-SD. Специальность модели — аниме-стиль, поэтому она не предназначена для универсальной генерации изображений.

Tara the Android — дообученная модель генерации изображений от webdelic на базе runwayml/stable-diffusion-v1-5. Она предназначена для создания изображений по текстовым запросам с использованием образа Tara the Android; карточка рекомендует включать это имя в запрос для активации образа. Модель создана для использования с Diffusers, а веса доступны в формате Safetensors. Лицензия — OpenRAIL++. Модель принимает текст и выдаёт изображения. В README не приведены сведения о размере модели, длине контекста или языках запросов. Возможности ограничены тематикой обученного персонажа; результаты могут зависеть от формулировки запроса и использования триггерного имени.

Модель HumaP — дообученная версия Google ViT для многоклассовой классификации гистопатологических изображений лёгких и толстой кишки. В основе лежит архитектура Vision Transformer с патчами 16×16 и входным разрешением 224×224; модель содержит 113,2 млн параметров. Модель предназначена для отнесения изображения ткани к одному из пяти классов: доброкачественная ткань лёгкого, аденокарцинома лёгкого, плоскоклеточная карцинома лёгкого, аденокарцинома толстой кишки или доброкачественная ткань толстой кишки. Она дообучена на наборе из 25 000 гистопатологических изображений, по 5 000 на класс. Модель принимает изображения и выдаёт классы классификации. Она может служить вспомогательным инструментом для анализа гистологических изображений, но карточка не приводит оценок качества или сведений о клинической валидации; результаты не следует считать самостоятельным диагнозом. Лицензия в предоставленных данных не указана.

VOXO — слитая модель генерации изображений, опубликованная пользователем junjuice0 и предназначенная для создания изображений виртуальных YouTube-блогеров Hololive и Nijisanji по текстовым запросам. Репозиторий использует библиотеку Diffusers и содержит веса в форматах PyTorch и Safetensors; задача модели — text-to-image. Автор отмечает, что модель создавалась для личного использования и не обещает высокого качества: некоторые персонажи могут получаться неудовлетворительно. Для запросов с именами персонажей рекомендуется повышать вес имени примерно до 1,2; автор также упоминает использование текстовых инверсий bad-images или bad-prompt в негативном запросе. Лицензия — CreativeML OpenRAIL-M.