I.8Изображения и компьютерное зрение

Stable-diffusion-v2-1-GGUF — это модель генерации изображений по текстовому описанию, опубликованная пользователем или организацией jiaowobaba02. Она предназначена для сценариев text-to-image, в которых по заданному промпту создаётся изображение, например иллюстрация или художественная сцена. В README приведён пример генерации изображения с описанием «a lovely cat». Модель распространяется в формате GGUF и представлена в нескольких вариантах квантования: q8_0, q5_0, q5_1 и q4_1. Указан файл stable_diffusion-ema-pruned-v2-1_768, что соответствует варианту Stable Diffusion v2.1 с размером изображения 768, однако точные сведения об архитектуре, количестве параметров, поддерживаемых языках и максимальном контексте в README отсутствуют. Для запуска требуется совместимое программное обеспечение stable-diffusion.cpp; конкретные системные требования и производительность не указаны. К сильным сторонам относятся поддержка нескольких уровней квантования и возможность локального запуска через GGUF-совместимый инструмент. К ограничениям относятся отсутствие подробной информации о качестве генерации, лицензии, наборе данных, языковой поддержке и официальном разработчике базовой модели. Условия использования и лицензия в README не указаны.

Style-Transfer — экспериментальная LoRA-модель, разработанная пользователем zooeyy на основе Qwen/Qwen-Image-Edit-2511. Она предназначена для переноса визуального стиля с референсного изображения на исходное с сохранением его структуры и композиции: например, для преобразования фотографий в стиль скетча, мультфильма, поп-арта или иллюстрации. Модель ориентирована на сценарии image-to-image и inpainting и может использоваться в ComfyUI и SD WebUI. Модель работает с двумя изображениями: исходным и референсным. Для активации указан триггер «图1变为图2风格». Это LoRA-файнтюнинг с rank 32 и Alpha 16, обученный более чем на 400 парах изображений в течение 22 000 шагов при разрешении 1024, batch size 1, learning rate 1e-4 и с оптимизатором AdamW. В README не указаны точный размер адаптера, поддерживаемые языки или максимальная длина контекста. Модель может давать хорошие результаты для отдельных стилей, однако имеет экспериментальный статус и не гарантирует стабильность. Возможны размытие черт лица, различия в согласованности цветов и неполный перенос сложных текстур. Рекомендуется использовать референсные изображения с близкими соотношениями сторон и композициями; заявленный диапазон веса LoRA составляет примерно 0,6–1,0 в ComfyUI и 0,7–1,0 в SD WebUI. В метаданных указана лицензия Apache-2.0, тогда как в тексте README заявлена MIT-лицензия, поэтому условия лицензирования требуют дополнительной проверки.

Это веса textual inversion от автора abhipsabasu для Stable Diffusion v1.4, предназначенные для генерации изображений по текстовым запросам. Они добавляют в базовую модель представление конкретного человека, чтобы включать его в изображения с помощью изученного текстового токена. Модель использует латентную диффузионную архитектуру Stable Diffusion и формат Diffusers с весами Safetensors. Она принимает текст и создаёт изображения; базовая модель преимущественно рассчитана на английские запросы. Лицензия — CreativeML OpenRAIL-M. README не содержит готового примера запуска и сведений о качестве или известных проблемах.

ViCLIP-OT — мультимодальная модель для поиска соответствий между вьетнамскими текстами и изображениями, разработанная авторами проекта ViCLIP-OT. Она использует двухэнкодерную архитектуру: текстовый энкодер на основе Vietnamese-SBERT и визуальный энкодер DINOv3 ViT-B/16. Модель объединяет контрастивное обучение в стиле CLIP с функцией потерь SIGROT, основанной на регуляризованном оптимальном транспорте, чтобы сопоставлять тексты и изображения в общем пространстве признаков. В модели 221 млн параметров; она принимает текст длиной до 256 токенов и изображения размером 224 × 224 пикселя. Модель предназначена прежде всего для поиска изображений по вьетнамскому запросу и поиска текстов по изображению, а также для семантического мультимодального поиска и извлечения признаков в последующих задачах. В README заявлены результаты уровня state of the art на бенчмарках поиска изображений и текстов на вьетнамском языке, а также обобщение в zero-shot-сценариях. Лицензия репозитория — GPL-3.0. Модель ориентирована на вьетнамский язык; возможности за пределами описанных сценариев поиска и извлечения признаков не подтверждены.

VidXTend — выделенный и облегчённый конвейер для второго этапа StreamingT2V, опубликованный пользователем benjamin-paine. Он предназначен для продолжения короткой анимации, созданной из текстового запроса: модель дополняет исходный клип на 8 кадров за шаг, продолжая последовательность согласованно и динамично. Заявленный сценарий — расширение анимаций из 16 кадров размером 256 × 256 пикселей, добавляя примерно одну секунду видео при частоте 8 кадров в секунду. Конвейер распространяется для библиотеки Diffusers в формате safetensors и использует задачу text-to-video. Лицензия репозитория — MIT. Для работы требуется пакет VidXTend; README предупреждает, что без установки версии PyTorch с поддержкой CUDA выполнение может идти только на CPU. Сведения о языках текстовых запросов и ограничениях по качеству в карточке не приведены.

calcuis/wan-gguf — это GGUF-квантизированная версия видеомодели Wan 2.1, основанная на Comfy-Org/Wan_2.1_ComfyUI_repackaged и опубликованная пользователем или организацией calcuis. Модель предназначена прежде всего для генерации видео по текстовому описанию (text-to-video), а также упоминается поддержка сценариев image-to-video и VACE. В README приведены примеры генерации сцен с животными, персонажами, фантастическими существами, автомобилями и абстрактными объектами. Указана версия модели на 1,3 млрд параметров; GGUF-квантизация ориентирована на запуск на старых или малопроизводительных компьютерах. Для работы в ComfyUI требуются GGUF-модель, текстовый энкодер T5/UMT5-XXL и VAE, а для image-to-video — также CLIP Vision H. Описан альтернативный запуск через Diffusers с UMT5EncoderModel, AutoencoderKLWan, WanVACEPipeline и UniPCMultistepScheduler, включая CPU offload и тайлинг VAE. Язык в карточке указан как английский, однако конкретный размер контекста и полный перечень поддерживаемых языков не приведены. Сильными сторонами являются сниженные требования к памяти благодаря GGUF-квантизации, совместимость с ComfyUI и возможность локальной генерации видеосцен. Ограничения включают необходимость ручной установки нескольких компонентов и настройки загрузчиков или workflow; для отдельных конфигураций рекомендуется CPU offload. Лицензия модели — Apache-2.0.

WD 1.5 Beta 3 — семейство моделей Waifu Diffusion для генерации изображений по текстовому описанию. В выпуск входят базовая версия WD 1.5 Base и четыре эстетические версии: Radiance, Ink, Mofu и Illusion. Базовая модель предназначена только для обучения: для генерации авторы рекомендуют создавать на её основе собственные дообученные модели или LoRA либо использовать одну из эстетических версий. Семейство использует Stable Diffusion Pipeline; доступны форматы Diffusers, PyTorch и safetensors. Для WD 1.5 применяется тот же VAE, что и для WD 1.4. В метаданных указана лицензия other; конкретные условия использования по имеющимся сведениям определить нельзя.

xtracolor.v11 — модель генерации изображений по текстовому описанию, опубликованная AIARTCHAN в формате Diffusers. По README, это результат слияния моделей PowerColor v1, Orange2 и Dalcefo с LoRA Niji Journey; доступны исходный вариант и файлы Safetensors, включая версию FP16. Рекомендации автора включают 30 шагов генерации, сэмплер DPM++ 2M Karras, CFG 9 и размеры 512×768 или 768×512. Модель предназначена для создания цветных изображений по промптам. В README приведены настройки генерации и упомянуто использование апскейлера; базовая модель и поддерживаемые языки отдельно не указаны. Лицензия репозитория — CreativeML OpenRAIL-M, условия использования следует сверять с её текстом и ограничениями.

digiplay/xxgSl526_v1 — модель для генерации изображений по текстовому описанию, опубликованная в формате Diffusers с весами Safetensors. В README приведены примеры изображений, созданных через API Hugging Face, но не описаны разработчик, архитектура или особенности обучения. Модель предназначена для преобразования текстовых запросов в изображения. Данных о поддерживаемых языках запросов, размере, контексте и конкретных сценариях применения в карточке нет. Указана лицензия other, поэтому условия использования следует проверять в репозитории модели.

MLbackup/9_2025 — модель преобразования текста в изображение, опубликованная пользователем или организацией MLbackup. Она предназначена для генерации изображений по текстовым описаниям на английском языке и работает через библиотеку Diffusers. Модель указана как дообученная версия OnomaAIResearch/Illustrious-xl-early-release-v0 и связана с набором EarthnDusk/XL_PDXL_Embeddings. В доступных данных нет сведений о размере модели, архитектурных деталях, поддерживаемой длине контекста или результатах сравнительных оценок. Модель можно использовать для создания иллюстраций и концептуальных изображений по англоязычным промптам. Условия использования определяются лицензией creativeml-openrail-m; перед применением в коммерческих или публичных проектах следует проверить её ограничения.

Lykon/AbsoluteReality — модель преобразования текста в изображение на базе Stable Diffusion, опубликованная разработчиком Lykon. Репозиторий содержит веса в форматах Diffusers, PyTorch и Safetensors; в метаданных также указана библиотека Diffusers. Модель предназначена для создания изображений по текстовым запросам и отмечена тегами, связанными с художественными изображениями и фотографией. Карточка не приводит сведений о размере модели, контексте, обучающих данных или конкретных настройках генерации. Лицензия указана как other, поэтому условия использования следует проверить в репозитории перед применением.

Abyss Orange Mix — модель генерации изображений по текстовому описанию, опубликованная Yntec на Hugging Face. Это вариант разрешения 768×768 с VAE MoistMixV2, встроенным в веса. В метаданных указаны библиотека Diffusers, форматы Diffusers и safetensors, а также лицензия CreativeML OpenRAIL-M. Модель предназначена для создания изображений по промптам. Примеры в карточке демонстрируют иллюстрации в аниме- и цифровом художественном стилях, включая портреты, персонажей, сцены и обложки. Среди примеров также есть изображения с персонажами, описанными как дети; соблюдайте применимые ограничения лицензии и правила использования. Размер модели, базовая модель и поддерживаемые языки в доступных данных не установлены.

Yntec/AnythingV3 — версия модели Anything V3 для генерации изображений по текстовому запросу. Репозиторий содержит веса в формате Diffusers и safetensors; вариант рассчитан на разрешение 768×768 и включает встроенный VAE MoistMix V2. В примере карточки показана генерация стилизованного изображения в духе чиби и живописи. Модель предназначена для создания изображений по текстовым промптам, в том числе в аниме-стилистике. Метаданные указывают английский язык. Модель относится к семейству Stable Diffusion и распространяется по лицензии CreativeML OpenRAIL-M.

Azher/Anything-v4.5-vae-fp16-diffuser — версия модели Anything v4.5 для генерации изображений по текстовому описанию. Репозиторий содержит веса в формате Diffusers и PyTorch с точностью fp16 и включает VAE; карточка указывает, что модель предназначена для инференса. Модель подходит для создания иллюстраций по промптам, в том числе изображений в аниме-стилистике. Пример в карточке задаёт персонажа с чёрным платьем и волосами, красными глазами и украшениями. Лицензия, поддерживаемые языки, размер и длина контекста в предоставленных данных не описаны.

basil_mix — объединённая модель генерации изображений по текстовому описанию, опубликованная пользователем nuigurumi на Hugging Face. Она построена для работы с Diffusers и ориентирована на реалистичные текстуры, азиатские лица и отклик на промпты в стиле Danbooru. Модель принимает текстовые промпты и создаёт изображения. Автор рекомендует простые промпты и VAE vae-ft-mse-840000 от StabilityAI; большое количество тегов качества и негативных промптов может ухудшать результат. Репозиторий распространяется с лицензией other, конкретные условия которой в предоставленных данных не раскрыты.

Это разбитая на шарды версия BLIP-2 с языковой частью Flan-T5-XL, опубликованная ethzanalytics. Модель принимает изображение и текстовый запрос и формирует текстовый ответ; среди заявленных сценариев — создание подписей к изображениям и визуальные вопросы и ответы. Шардирование упрощает загрузку весов в средах с ограниченной оперативной памятью, например в Colab. Репозиторий использует Transformers и содержит веса в форматах PyTorch и Safetensors. Указана лицензия MIT. README отсылает к карточке исходной модели за подробностями об использовании и ограничениях.

Это экспериментальный китайский текстовый энкодер CLIP ViT-H, разработанный lyua1225 для использования китайских описаний при генерации изображений в Stable Diffusion 2. Он также поддерживает классификацию изображений без примеров с заранее заданными текстовыми метками. Визуальный энкодер CLIP ViT-H заморожен, а текстовый энкодер обучен сопоставлять китайские текстовые представления с исходным англоязычным семантическим пространством. В обучении использованы около 85 млн пар текст–изображение из китайской части LAION-5B; обучение проходило 75 тысяч шагов с размером пакета 4096. Модель принимает изображения и китайский текст, выдаёт оценки соответствия изображения текстовым меткам. Лицензия — CreativeML OpenRAIL-M. Автор предупреждает, что модель не сошлась и её качество значительно ниже ожидаемого для CLIP Huge. Она опубликована как промежуточный результат для текстового энкодера Stable Diffusion 2 и требует дальнейшего обучения для повышения качества CLIP.

Colorful-v4.5-Plus — модель генерации изображений по текстовому описанию, созданная автором Manseo путём объединения Anything-v4.5, AbyssOrangeMix3 и ProtogenInfinity. Она рассчитана на создание ярких изображений и призвана улучшить цветовую палитру, окружение, пальцы, выражения лиц и одежду по сравнению с Anything-v4.5. Модель работает с текстовыми запросами и выдаёт изображения; для запуска используется библиотека diffusers. Автор рекомендует локальный запуск, поскольку при работе через API веб-интерфейса качество может быть ниже. Репозиторий распространяется по лицензии CreativeML OpenRAIL-M.

coralchar-diffusion-v1 — модель генерации изображений на основе Stable Diffusion v1.5, опубликованная nerijs и дообученная для создания портретов милых персонажей. Для активации характерного стиля в текстовом запросе используется токен coralchar; доступны контрольные точки с разным числом шагов обучения и версия для inpainting. Модель предназначена для создания портретов и изображений персонажей по текстовому описанию, а также для изменения деталей уже созданного изображения с помощью inpainting. Автор рекомендует размер 512×768, низкий CFG scale и отмечает, что такой размер подходит для полнофигурных портретов. Репозиторий содержит Diffusers и PyTorch форматы; README также упоминает доступность версии .ckpt. Лицензия — CreativeML OpenRAIL-M.

Deliberate 2 — дообученная модель генерации изображений по текстовому описанию, основанная на Yntec/Deliberate и предназначенная для Stable Diffusion. Разработчик описывает её как версию для генерации изображений размером 768×768; в веса встроен VAE MoistMix V2 для использования через Inference API. Модель подходит для создания иллюстраций по промптам, в том числе изображений в ретро- и аниме-стилистике. Репозиторий предоставляет веса в форматах Diffusers и Safetensors. Лицензия CC BY-NC-ND 4.0 требует указания авторства и ограничивает коммерческое использование и распространение производных версий.

Detail Tweaker XL v1.0 — LoRA-модель от AiWise для Stable Diffusion XL, предназначенная для управления уровнем детализации при генерации изображений. Она подключается к базовой модели stabilityai/stable-diffusion-xl-base-1.0 и используется в сценариях text-to-image через Diffusers или совместимые интерфейсы. Модель позволяет увеличивать детализацию при положительном весе и уменьшать её при отрицательном; заявленный рабочий диапазон весов составляет от -3 до 3, а рекомендуемая отправная точка — 1,5 с последующей настройкой в зависимости от промпта и числа шагов сэмплирования. Для активации указаны триггерные слова concept, detailed, detail, enhancer и undetailed. Примеры демонстрируют применение к фотореалистичным, художественным, аниме- и фантазийным сценам, однако конкретные характеристики архитектуры, размер, языковая поддержка и ограничения качества не описаны. Модель распространяется в формате Safetensors по лицензии CreativeML OpenRAIL-M. README не содержит сведений об авторе-разработчике помимо идентификатора AiWise, а также не уточняет условия коммерческого использования и дополнительные ограничения лицензии.

Dreamshaper-8-lcm — модель Stable Diffusion для генерации изображений по текстовому описанию. Её разработал Lykon, дообучив runwayml/stable-diffusion-v1-5; версия LCM предназначена для ускоренной генерации с использованием подхода Latent Consistency Models. Модель распространяется в форматах Diffusers и safetensors и рассчитана на работу с библиотекой Diffusers. Модель подходит для создания художественных изображений, в том числе иллюстраций в аниме-стиле и изображений с реалистичными чертами. Карточка отмечает, что для достижения хороших результатов в фотореализме и аниме может потребоваться точная настройка описаний. Лицензия — CreativeML OpenRAIL-M.

Карточка модели azr43l/EasyFluff на Hugging Face совпадает с карточкой zatochu/EasyFluff, поэтому описание составлено по ней. EasyFluff — модель генерации изображений по текстовому описанию, опубликованная zatochu. Это чекпойнт Stable Diffusion в формате Diffusers с файлами PyTorch и Safetensors; в версии V10-FunnerEdition изменены UNet и цветопередача, чтобы уменьшить шум, чрезмерную детализацию, артефакты в области склеры глаз и оранжево-коричневый оттенок. Автор также отмечает, что CLIP должен лучше реагировать на запросы, сформулированные естественным языком, хотя это не гарантирует понимание тонких нюансов. Модель предназначена для создания изображений из текстовых запросов. Для загрузки требуется конфигурация, включающая режим v-prediction; автор рекомендует CFG Rescale со значением 0,7 и описывает необходимые настройки для ComfyUI. В README не указаны базовая модель, лицензия, поддерживаемые языки или размер чекпойнта, поэтому эти характеристики здесь не уточняются.

EVIRA — модель генерации видео по текстовому описанию, созданная Muhammad Taqi. Репозиторий содержит веса в формате safetensors и упоминает веб-интерфейс на Gradio для генерации видео. В метаданных указаны архитектура семейства EVIRA и задача text-to-video; сведения о размере модели, длительности и разрешении генерируемых роликов, контексте или поддерживаемых языках отсутствуют. Модель распространяется по лицензии MIT.

Fabricated Reality — модель генерации изображений на основе SDXL, опубликованная автором ostris. Автор сообщает, что дообучал, объединял и настраивал модель с момента выхода SDXL, в том числе применял целевое обучение для улучшения глаз, зубов и рук. Модель предназначена для создания реалистичных изображений по текстовому описанию. Репозиторий использует Diffusers и содержит веса в формате safetensors. Лицензия — CreativeML Open RAIL-M. Карточка модели содержит мало подробностей о настройках и результатах, поэтому качество генерации и конкретные оптимальные сценарии по ней оценить нельзя.

kpsss34/FHDR_Uncensored — модель для генерации изображений по текстовому описанию, разработанная сообществом или автором под идентификатором kpsss34. Она основана на black-forest-labs/FLUX.1-dev и предназначена для сценариев text-to-image, включая создание художественных изображений и других визуальных материалов по англоязычным промптам. Модель реализована для использования с библиотекой Diffusers и конвейером FluxPipeline. В README указано, что при обучении обновлялись случайно выбранные слои и блоки, а не вся модель; по замыслу автора это сократило время обучения и должно было улучшить результаты. Для примера приведены параметры генерации с разрешением 1024×1024, 40 шагами диффузии, guidance_scale 4.0 и максимальной длиной последовательности 512 токенов, однако эти значения не обязательно являются ограничениями модели. Размер, точная архитектура, набор поддерживаемых языков и дополнительные модальности не указаны; заявлен только английский язык. Сильной стороной модели является специализированная настройка на базе FLUX.1-dev и совместимость с распространённым инструментарием Diffusers. Ограничения включают отсутствие подробных результатов оценки, информации о фактическом качестве, размере модели и области применения. Лицензия обозначена как other, но её конкретные условия в README не приведены, поэтому правила коммерческого и иного использования требуют дополнительной проверки.

Fluently V4.0 — модель для генерации изображений по текстовому описанию, созданная автором карточки путём слияния чекпойнтов и LoRA. Метаданные указывают на дообучение Stable Diffusion 1.5 от runwayml и формат Diffusers с весами Safetensors; в README среди компонентов слияния названы Juggernaut Final, Deliberate V2, RPG, Realistic Vision V1.3 и DreamDrop V1. Модель рассчитана на генерацию изображений в разных стилях, включая реалистичные портреты, аниме и комиксы. Автор отмечает проработку лиц и глаз, анатомии, художественной стилизации, а также пригодность для inpainting и outpainting. Для запуска предлагается AUTOMATIC1111; рекомендуются 20–30 шагов, сэмплер DPM++ 2M Karras или Euler a и CFG Scale 5–7. Лицензия в метаданных обозначена как other, поэтому конкретные условия использования по имеющимся данным определить нельзя. Результаты зависят от запроса и параметров генерации; заявления о качестве приведены автором и не сопровождаются оценкой или бенчмарками.

Fluently XL V1 — дообученная модель генерации изображений по текстовым запросам, созданная на базе Stable Diffusion XL Base 1.0. Репозиторий содержит веса в форматах Diffusers и Safetensors; для работы используется библиотека Diffusers. Модель предназначена для создания изображений в художественном и реалистичном стилях, в том числе портретов, природных сцен и изображений с выразительным контрастом. В карточке автор отмечает внимание к анатомии и лицам и приводит настройки для Automatic1111 и ComfyUI: 20–35 шагов, Euler или Euler a, CFG Scale 4–6,5. Модель создана с использованием изображений из наборов Midjourney Images, DALL·E 3 Images и Fav Images. Указана лицензия «other»; конкретные условия использования в карточке не раскрыты.

Fluently-XL-v3 — дообученная модель генерации изображений от автора Fluently на базе Stable Diffusion XL Base 1.0. Она создаёт изображения по текстовым запросам и предназначена для художественной и реалистичной генерации, включая сцены с людьми и природой. В карточке заявлены проработка анатомии и лиц, сочетание художественного и реалистичного стилей и управление контрастом. Модель распространяется в форматах Diffusers и Safetensors и может использоваться через Automatic1111 и ComfyUI. Автор рекомендует 20–35 шагов сэмплирования, Euler a или Euler и CFG Scale 4–6,5. Лицензия указана как «other», поэтому условия использования следует сверить с лицензией репозитория; карточка не уточняет их.

FLUX.2-klein-base-9B-GGUF — это квантизированная версия базовой модели FLUX.2-klein-base-9B, разработанной Black Forest Labs. Файлы преобразованы пользователем leejet в формат GGUF для использования с библиотекой stable-diffusion.cpp. Модель предназначена для генерации изображений по текстовым описаниям и относится к мультимодальному сценарию text-to-image. В README указана поддержка английского и китайского языков. Размер базовой модели составляет 9B параметров; сведения о точной архитектуре, доступных вариантах квантования, максимальном контексте и других технических характеристиках не приведены. К сильным сторонам относятся возможность локальной генерации изображений и совместимость со stable-diffusion.cpp, а также использование компактного квантизированного представления. К ограничениям относятся возможная потеря качества по сравнению с исходными весами и зависимость от поддерживаемого формата и среды выполнения. Квантизированные файлы распространяются на условиях лицензии оригинальной модели FLUX.2-klein-base-9B; конкретные условия лицензии в README не раскрыты.