I.8Изображения и компьютерное зрение

RebelMidjourney_LoRA_Collection — коллекция LoRA-модулей, разработанная RealRebelAI на основе датасета Midjourney v7. Модель предназначена для генерации изображений по текстовому описанию и используется вместе с совместимым text-to-image пайплайном библиотеки Diffusers для приближения визуального стиля и характеристик изображений, связанных с Midjourney v7. В README не указаны базовая архитектура, размер параметров, поддерживаемые языки, максимальная длина контекста и точный состав коллекции. Для получения наилучшего результата рекомендуются низкие значения веса LoRA — примерно от 0,2 до 0,8. Ограничением является зависимость от совместимой базовой text-to-image-модели и пайплайна; отдельные сведения о качестве, диапазоне применений и известных ограничениях не приведены. Модель распространяется по лицензии Apache-2.0.

ByteDance SD v2.1-base Zero Terminal SNR — дообученная версия Stable Diffusion 2.1 Base, созданная как официальная модель к статье Common Diffusion Noise Schedules and Sample Steps are Flawed. Модель обучена с расписанием шума Zero Terminal SNR на изображениях из LAION с оценкой эстетики 5 и выше. Она предназначена для генерации изображений по текстовому описанию и демонстрации исследовательского метода. В README приведён пример использования через StableDiffusionPipeline из библиотеки Diffusers. Лицензия модели — OpenRAIL++. Авторы отмечают, что модель рассчитана на исследовательскую демонстрацию, а не на производственное применение.

Модель pittawat/vit-base-uppercase-english-characters — дообученная версия Vision Transformer ViT-Base от Google для классификации изображений с заглавными английскими буквами. Она обучена на наборе данных pittawat/uppercase-english-characters и предназначена для распознавания символа на изображении. Архитектура — ViTForImageClassification с 113,2 млн параметров; веса доступны в форматах PyTorch и Safetensors. На оценочном наборе модель показала точность 0,9573 и loss 0,3160. Эти результаты относятся к указанному набору данных и не гарантируют такую же точность на других изображениях. Модель выпущена под лицензией Apache-2.0.

lizhuang144/flan-t5-base-VG-factual-sg-id — модель семейства T5 с 123,8 млн параметров, представленная в формате PyTorch. Судя по названию, она предназначена для генерации фактических описаний сцен и отношений между объектами (scene graphs) по визуальным данным, однако доступная карточка не объясняет этот сценарий и не содержит подробностей обучения. Модель использует архитектуру T5ForConditionalGeneration и рассчитана на контекст до 512 токенов. Метаданные указывают на задачу генерации текста по текстовому вводу; сведений о визуальном входе, поддерживаемых языках, лицензии и качестве результатов нет, поэтому эти характеристики нельзя подтвердить.

Это экспериментальная конверсия FLUX.1-schnell в формате FP8, созданная в Hugging Face Spaces по самодельному скрипту. Исходную модель разработала Black Forest Labs. Репозиторий предназначен для генерации изображений по текстовому описанию и содержит файлы Diffusers и Safetensors; в метаданных указан английский язык. Работоспособность конверсии автор не подтвердил. По сообщению карточки, серверный Inference API не поддерживает torch float8_e4m3fn для этой модели, поэтому через этот API она не работает. Лицензия обозначена как other; конкретные условия в предоставленных данных не описаны.

IncursiosMemeDiffusion v1.6 — модель генерации изображений по текстовому описанию от FallenIncursio. Она предназначена для создания изображений и мемов по промптам; в карточке приведены демонстрационные изображения, созданные через AUTOMATIC1111 и API Hugging Face. Репозиторий содержит модель в формате Diffusers с весами Safetensors и рассчитан на использование с Stable Diffusion. Лицензия обозначена как other, поэтому конкретные условия использования следует уточнять в материалах репозитория.

Kelix-DiT — чекпойнт предварительного обучения диффузионного декодера изображений в системе Kelix, разработанной OpenOneRec. Он преобразует скрытые состояния унифицированной языковой модели Kelix в изображения высокого разрешения. Модель построена на модифицированной архитектуре SANA-DiT и обучена методом flow matching; базовая модель — Efficient-Large-Model/Sana_1600M_1024px_diffusers. Kelix-DiT предназначена для генерации изображений размером 1024×1024 в составе конвейера Kelix: языковая модель формирует семантические представления, а этот декодер превращает их в изображение. Чекпойнт относится к стадии предварительного обучения; отдельная версия Kelix-SFT ориентирована на более точное следование инструкциям и управление генерацией. Для работы нужны скрытые состояния Kelix-LLM, поэтому это не самостоятельная текстовая модель генерации изображений. В README описаны результаты всей системы Kelix на бенчмарках GenEval, WISE и DPG-Bench, а не отдельная оценка этого чекпойнта. Лицензия в предоставленных сведениях не указана.

Danrisi/Lenovo_UltraReal_Z_Image — модель типа LoRA для генерации изображений по текстовому описанию. Она создана пользователем или автором Danrisi и основана на Tongyi-MAI/Z-Image-Turbo, работая в экосистеме Diffusers. Модель предназначена для сценариев text-to-image, в которых адаптер LoRA применяется к базовой модели для получения изображений на основе текстовых запросов. В README указаны английский язык, формат Diffusers и принадлежность к классу diffusion-LoRA. Размер, точная архитектура, поддерживаемые модальности помимо текста и изображения, длина контекста, результаты тестирования и специализированные области применения не раскрыты. К сильным сторонам относятся использование готовой базовой модели Z-Image-Turbo и совместимость с распространённым форматом LoRA для диффузионных моделей. Ограничения, качество генерации, требования к ресурсам и особенности применения не описаны, поэтому их нельзя достоверно оценить по представленным данным. Лицензия модели — Apache-2.0.

Карточка модели derterin/NSFW-Uncensored на Hugging Face совпадает с карточкой Heartsync/NSFW-Uncensored, поэтому описание составлено по ней. Heartsync/NSFW-Uncensored — модель генерации изображений по текстовому описанию, распространяемая в форматах Diffusers и Safetensors. В карточке она представлена как площадка для экспериментов с генерацией изображений и ограничениями цензуры; метаданные указывают на использование StableDiffusionXLPipeline. Модель предназначена для создания изображений по текстовым запросам и проверки возможностей генерации при разных формулировках. Карточка не сообщает размер модели, длину контекста или конкретные рекомендации по настройке. Модель помечена как NSFW и не предназначена для всех аудиторий. Лицензия — MIT.

Phikon-v2 — предварительно обученная визуальная модель компании Owkin для анализа гистологических изображений. Это Vision Transformer Large с архитектурой ViT-L/16, обученный методом самообучения DINOv2 на наборе PANCAN-XL, включающем 450 млн гистологических изображений при увеличении 20× из 60 тысяч полноразмерных гистологических слайдов. В метаданных указано 402,7 млн параметров. Модель извлекает признаки из изображений тканей для последующих задач: классификации областей интереса и слайдов, сегментации и поиска биомаркеров. Признаки можно использовать без дообучения или адаптировать модель под задачи на уровне фрагментов изображения. Модель предназначена для медицинской патологии и компьютерного анализа гистологии; поддерживаемый язык карточки — английский. Модель распространяется по некоммерческой лицензии Owkin. Результаты зависят от данных и метода обучения downstream-модели; карточка описывает применение для гистологии и не подтверждает пригодность для клинических решений без отдельной проверки.

PornMaster-flux2-klein-9b — NSFW-файнтюн базовой модели FLUX.2 klein 9B, связанный с автором iamddtla и распространяемый в репозитории cl0537furry. Модель предназначена для генерации и редактирования изображений и фотографий, включая откровенный контент, а также может применяться для обычных визуальных сцен. Она поддерживает текстовое управление и сценарии image-to-image; для редактирования используются компоненты экосистемы Diffusers. В основе лежит архитектура FLUX.2 klein 9B с моделью размера 9 млрд параметров. В комплекте доступны варианты UNET в форматах GGUF и safetensors с различными уровнями квантизации, текстовый энкодер Qwen3-VL-8B и VAE flux2-vae. В метаданных заявлены английский и китайский языки. Рекомендуется использовать подробные естественно-языковые или структурированные JSON-промпты с описанием сцены, позы и фотографических параметров. Для базовой версии доступна Turbo LoRA, ускоряющая генерацию до четырёх шагов; версия V4 Turbo уже рассчитана на работу без дополнительной Turbo LoRA. Сильные стороны модели — ориентация на фотореалистичные и NSFW-сценарии, поддержка детальных промптов, нескольких форматов распространения и ускоренного режима инференса. Ограничение, указанное в README, заключается в слабом редактировании поз и эмоций; для таких изменений рекомендуются другие инструменты. Конкретный размер контекста и требования к аппаратным ресурсам не указаны. Лицензия обозначена как flux-non-commercial-license, поэтому использование ограничено некоммерческими условиями этой лицензии.

PromptEnhancerV2 (32B) Img2Img Edit — мультимодальная языковая модель, дообученная на базе Qwen/Qwen2.5-VL-32B-Instruct для улучшения и переписывания инструкций к редактированию изображений. Она учитывает исходный текст и предоставленное изображение, чтобы сохранять намерение пользователя и формулировать более ясные, структурированные и логически согласованные запросы для последующего редактирования изображения. Модель использует архитектуру Qwen2.5-VL с 32 млрд параметров, поддерживает китайский и английский языки, работает с контекстом до 128 000 токенов и рассчитана на диалоговый сценарий. Модель предназначена для подготовки текстовых инструкций к задачам image-to-image редактирования; сама карточка описывает переписывание запросов, а не генерацию или изменение изображений. В README указана лицензия Apache-2.0, тогда как метаданные Hugging Face помечают лицензию как other, поэтому условия распространения и использования следует сверить с файлами репозитория. README также описывает применение chain-of-thought reasoning, но не приводит независимой оценки качества или подробностей обучения.

merve/rfdetr-docvqa-media3-v2 — модель обнаружения объектов, дообученная на основе Roboflow/rf-detr-base с помощью библиотеки Transformers. Название указывает на применение к документам и изображениям Media3, однако карточка не описывает целевой набор данных или классы объектов, поэтому назначение по названию нельзя подтвердить. Модель принимает изображения и выдаёт обнаруженные объекты с их локализацией. В README приведены низкие значения метрик обнаружения на наборе оценки: mAP 0,0037 и mAP@50 0,0137. Модель распространяется в формате safetensors по лицензии Apache-2.0.

AnikiFan/single-channel-breast-segmentation-manet — модель семантической сегментации изображений на архитектуре MAnet, опубликованная с помощью PytorchModelHubMixin и предназначенная для работы с библиотекой segmentation-models-pytorch. По названию репозитория и указанному набору данных Breast модель предназначена для сегментации изображений молочной железы. Карточка содержит пример загрузки через smp.from_pretrained и указывает лицензию MIT. Модель принимает изображения и выдаёт сегментационные маски. Сведения о размере, метриках, обучающей выборке и поддерживаемых языках в доступных данных отсутствуют.

katuni4ka/textual_inversion_cat — адаптер textual inversion для генерации изображений по тексту на базе hf-internal-testing/tiny-stable-diffusion-torch. Он предназначен для использования с Diffusers и StableDiffusionPipeline; README описывает его как веса адаптации для text-to-image, однако примера запуска и сведений о специальном понятии или стиле, которому соответствуют веса, нет. Репозиторий содержит файлы в форматах Diffusers и safetensors, а лицензия указана как CreativeML OpenRAIL-M. Базовая модель обозначена как тестовая компактная Stable Diffusion модель.

UNI — предварительно обученный визуальный энкодер Mahmood Lab AI for Pathology при Harvard/BWH для извлечения признаков из гистологических изображений. Модель построена на ViT-L/16 с подходом DINOv2 и предобучена на наборе Mass-100K: примерно 100 млн изображений из 100 тыс. целых гистологических слайдов, включая частные коллекции BWH/MGH и материалы консорциума GTEx. Входное изображение преобразуется к размеру 224 × 224, выходной вектор признаков имеет размерность 1024. UNI предназначена для построения и оценки моделей вычислительной патологии. Замороженные признаки можно применять для классификации участков ткани, поиска похожих изображений и классификации целых слайдов с помощью MIL; для сегментации рекомендуется дообучение специализированными средствами. Авторы сообщают о сильных результатах на 34 клинических задачах и отмечают, что предобучение не использовало ряд открытых наборов гистологических слайдов, применяемых в бенчмарках. Для загрузки весов требуется аутентификация и одобрение доступа; README указывает, что основной адрес Hugging Face должен быть институциональным. Лицензия CC-BY-NC-ND-4.0 ограничивает коммерческое использование и распространение производных материалов. Модель ориентирована на изображения патологии и сама по себе не выдаёт клинический диагноз.

Kokosha01/Wan2.2_StrangeNames — набор LoRA-адаптеров для генерации изображений по текстовому описанию, размещённый Kokosha01 на Hugging Face. Карточка указывает базовую модель Tongyi-MAI/Z-Image-Turbo и предлагает подключать адаптер через Diffusers к этой модели. В репозитории есть файлы safetensors и ONNX; лицензия — CreativeML OpenRAIL-M. Модель предназначена для генерации изображений по текстовым запросам с использованием базовой модели. Карточка не описывает, какие визуальные стили или концепции добавляют отдельные адаптеры, и не приводит сведений о размере, контекстном окне или поддерживаемых языках.

google/ddpm-ema-cat-256 — диффузионная модель безусловной генерации изображений на основе Denoising Diffusion Probabilistic Models (DDPM). Карточка связывает семейство DDPM с работой Джонатана Хо, Аджая Джейна и Питера Аббила; веса доступны в формате Diffusers на PyTorch, лицензия — Apache-2.0. Модель предназначена для создания изображений кошек размером 256×256 без текстового запроса. Она постепенно преобразует шум в изображение и запускается через DDPMPipeline; для генерации подходят дискретные планировщики шума, включая DDPM, DDIM и PNDM. Указанные в README результаты для CIFAR-10 и LSUN относятся к описанию метода DDPM в целом и не являются метриками именно этого чекпойнта. Модель принимает шум и выдаёт изображение; текстовые и другие модальности в её назначении не заявлены. Она подходит для экспериментов с диффузионной генерацией и создания образцов кошек, но не выполняет генерацию по текстовому описанию. В карточке не указаны отдельные ограничения чекпойнта; применяются условия лицензии Apache-2.0.

gai-vietnam — модель генерации изображений по текстовому описанию, созданная kyledam с помощью обучения DreamBooth на базе Stable Diffusion. Она распространяется в формате Diffusers и предназначена для создания изображений по запросам с использованием изученного концепта gai_vietnam. В репозитории доступны веса PyTorch и safetensors. Модель выпущена по лицензии CreativeML OpenRAIL-M. Карточка не сообщает размер модели, длину контекста, поддерживаемые языки или известные ограничения качества; результаты зависят от текстового запроса и используемого конвейера Stable Diffusion.

SidXXD/m-285 — адаптация textual inversion для Stable Diffusion v1.5, опубликованная пользователем SidXXD. Она добавляет обученные текстовые векторы, которые можно использовать при создании изображений по текстовым запросам в Diffusers. Модель предназначена для text-to-image генерации с базовой моделью stable-diffusion-v1-5/stable-diffusion-v1-5. В репозитории размещены веса адаптации в форматах Diffusers и Safetensors. Использование распространяется по лицензии CreativeML OpenRAIL-M. README не приводит примеров изображений и не описывает, какой именно визуальный объект или стиль активирует адаптация; качество и область применения по имеющимся данным определить нельзя.

Карточка модели gumoraes/NSFW-Uncensored на Hugging Face совпадает с карточкой Heartsync/NSFW-Uncensored, поэтому описание составлено по ней. Heartsync/NSFW-Uncensored — модель генерации изображений по текстовому описанию, распространяемая в форматах Diffusers и Safetensors. В карточке она представлена как площадка для экспериментов с генерацией изображений и ограничениями цензуры; метаданные указывают на использование StableDiffusionXLPipeline. Модель предназначена для создания изображений по текстовым запросам и проверки возможностей генерации при разных формулировках. Карточка не сообщает размер модели, длину контекста или конкретные рекомендации по настройке. Модель помечена как NSFW и не предназначена для всех аудиторий. Лицензия — MIT.

Карточка модели Severelotus/NSFW-Uncensored на Hugging Face совпадает с карточкой Heartsync/NSFW-Uncensored, поэтому описание составлено по ней. Heartsync/NSFW-Uncensored — модель генерации изображений по текстовому описанию, распространяемая в форматах Diffusers и Safetensors. В карточке она представлена как площадка для экспериментов с генерацией изображений и ограничениями цензуры; метаданные указывают на использование StableDiffusionXLPipeline. Модель предназначена для создания изображений по текстовым запросам и проверки возможностей генерации при разных формулировках. Карточка не сообщает размер модели, длину контекста или конкретные рекомендации по настройке. Модель помечена как NSFW и не предназначена для всех аудиторий. Лицензия — MIT.

Qwen3.5-4B-Base-ZitGen-V1 — дообученная мультимодальная модель разработчика lolzinventor на базе Qwen/Qwen3.5-4B-Base. Она предназначена для преобразования изображений в подробные текстовые промпты, оптимизированные для генерации изображений с помощью Z-Image Turbo и сценариев image-to-prompt. В метаданных указаны английский язык и поддержка image-to-text; размер базовой модели — 4B параметров. Сведения о длине контекста и полном наборе поддерживаемых языков отсутствуют. Модель обучалась на датасете lolzinventor/ZitGen-Dataset-V1, состоящем из изображений и промптов, созданных с помощью итеративного сравнения целевых и сгенерированных изображений LLM-моделями. Данные фильтровались для удаления ошибок, артефактов и нежелательных элементов. Такой подход ориентирует модель на детализированное описание визуальных характеристик и адаптацию промптов под Z-Image Turbo, однако качество за пределами этого сценария и наличие независимых бенчмарков не указаны. Модель распространяется по лицензии Apache-2.0. Для запуска автор рекомендует использовать inference-сервер llama-server, файл модели в формате GGUF и мультимодальный проектор mmproj; конкретные требования к аппаратному обеспечению в README не приведены.

Модель ThrinathMphasis/building-layouts — дообученная с помощью DreamBooth модель Stable Diffusion для генерации изображений планировок зданий по текстовому описанию. Для запуска концепции в запросе рекомендуется использовать фразу «a photo of sks building layout». Модель предназначена для создания визуальных вариантов планировок зданий по текстовым запросам и работает в формате Diffusers на базе PyTorch. Автор карточки — ThrinathMphasis. Модель распространяется по лицензии MIT. Карточка не сообщает размер модели, поддерживаемые языки или специальные ограничения качества; результат зависит от формулировки запроса.

izamizam — модель Stable Diffusion для генерации изображений по текстовым описаниям, созданная HDKCL методом DreamBooth на основе TheLastBen's fast-DreamBooth notebook. Карточка предлагает запускать её для проверки и генерации изображений через интерфейс A1111 или библиотеку diffusers. Модель предназначена для генерации изображений с выученной концепцией izamizam по текстовым запросам. Репозиторий содержит веса в форматах Diffusers и PyTorch; лицензия — CreativeML OpenRAIL-M. Данные карточки не уточняют базовую модель, размер, контекст или поддерживаемые языки.

Модель ThrinathMphasis/layout — дообученная с помощью DreamBooth модель Stable Diffusion для создания изображений с концепцией layout. Для генерации используется текстовый запрос с триггерной фразой «a photo of sks layout»; модель предназначена для работы через Diffusers. Веса представлены в форматах Diffusers и PyTorch. Автор — ThrinathMphasis. Модель подходит для генерации изображений по текстовому описанию с использованием обученной концепции. Лицензия — CreativeML OpenRAIL-M.

Это экспериментальная конверсия модели FLUX.1-dev в формате float8_e4m3fn, выполненная Defozo на основе исходной модели. Она предназначена для генерации изображений по текстовым описаниям и распространяется в форматах Diffusers и safetensors. Автор карточки не подтвердил корректность конверсии. Также указано, что серверный Inference API Hugging Face не поддерживает torch float8_e4m3fn для этой модели. Репозиторий помечен как не для любой аудитории, а тег карточки указывает на фотореалистичную генерацию. Лицензия обозначена как other, подробные условия использования в карточке не приведены.

RudolfV 2-S — компактная модель зрения на архитектуре Vision Transformer, разработанная Aignostics для вычислительной патологии. Она использует backbone ViT-S/8, содержит 22 млн параметров и получена дистилляцией RudolfV 2, предварительно обученной на 300 тысячах полноразмерных гистологических изображений. Модель предназначена для извлечения признаков из отдельных тканевых фрагментов и построения решений для последующих задач патологии. Извлечённые признаки можно применять для классификации тканей и опухолей, определения степени злокачественности, предсказания биомаркеров и моделирования на уровне стекла с помощью multiple instance learning. RudolfV 2-S — самая маленькая и быстрая модель семейства: в карточке указана скорость в 6,5 раза выше флагманской RudolfV 2. Модель принимает изображения и выдаёт векторные признаки; языкозависимый ввод не требуется. Для загрузки нужны Transformers, timm и пользовательский код модели через trust_remote_code=True. Доступ к весам ограничен: требуется запрос через Hugging Face с академическим или некоммерческим адресом электронной почты; выдача доступа остаётся на усмотрение Aignostics. Лицензия обозначена как other, её конкретные условия следует проверить на странице модели.

Это изменённая версия текстового энкодера для Z-Image-Turbo, опубликованная KaraKaraWitch. Автор сообщает, что энкодер перепакован в тот же формат для дополнительных сценариев использования; заметной разницы с оригиналом автор не обнаружил. Репозиторий размечен как модель для генерации изображений по тексту и предназначен для использования в составе Z-Image-Turbo. Базовая модель — Tongyi-MAI/Z-Image-Turbo, дистиллированная модель Alibaba для быстрой генерации изображений по текстовым описаниям; метаданные указывают поддержку английского и китайского текста на изображениях. Модель распространяется в форматах Diffusers и Safetensors по лицензии Apache-2.0. README не описывает отдельные улучшения или дополнительные возможности этой версии, а автор отмечает небольшую разницу с исходным энкодером. Для генерации изображений её следует применять вместе с совместимыми компонентами Z-Image-Turbo.

SidXXD разработал встраиваемые веса textual inversion для генерации изображений по текстовому описанию. Они предназначены для использования вместе с stabilityai/stable-diffusion-2-1-base и позволяют добавлять в генерацию изученную визуальную концепцию dogmistwhole. Модель принимает текстовый запрос и выдаёт изображение; формат репозитория — Diffusers с весами Safetensors. Лицензия — CreativeML OpenRAIL-M.