IV.1Ритейл, электронная коммерция и fashion-tech

SynthPose — дообученная модель оценки позы человека, разработанная Yoni Gozlan на основе ViTPose Base и представленная в работе OpenCapBench: A Benchmark to Bridge Pose Estimation and Biomechanics. Модель принимает изображения и обнаруживает 52 ключевые точки: 17 точек COCO и 35 анатомических маркеров, характерных для систем захвата движения. Модель предназначена для получения более плотной разметки позы человека на изображениях и анализа кинематики. Её можно применять для оценки движений по видео-кадрам и подготовки данных для биомеханических исследований. Архитектура использует backbone ViTPose Base на основе Vision Transformer; репозиторий содержит веса safetensors для Transformers. Лицензия — Apache-2.0.

TIPSv2 B/14 DPT Heads — модель плотного предсказания Google на базе замороженного визуального энкодера TIPSv2 B/14 и голов Dense Prediction Transformer. Она предназначена для оценки глубины по изображению; также доступны головы предсказания поверхностных нормалей и семантической сегментации на 150 классов ADE20K. Головы содержат около 72 млн параметров; визуальная часть базовой модели — 86 млн параметров. Модель принимает изображения в диапазоне значений [0, 1]; рекомендуется разрешение, кратное 14. Головы глубины и нормалей обучены на NYU Depth V2, а сегментации — на ADE20K. Для загрузки визуального энкодера требуется базовая модель TIPSv2 B/14. Репозиторий использует формат safetensors и библиотеку Transformers; лицензия — Apache-2.0.

Wan2.1-Fun-1.3B-Control — модель генерации видео с управляющими условиями из семейства Wan2.1-Fun, представленная в проекте Alibaba PAI. Она предназначена для создания видео по текстовому запросу с управлением структурой сцены и движением с помощью условий Canny, Depth, Pose, MLSD и траекторий. Модель обучалась на роликах длиной до 81 кадра с частотой 16 кадров в секунду и поддерживает многоязычные запросы. Модель относится к архитектурному семейству I2V и распространяется в формате safetensors. Для генерации нужны текстовый запрос и управляющие данные, например видео с извлечёнными картами границ, глубины или поз. В README указана поддержка разрешений 512, 768 и 1024; для запуска предусмотрены режимы переноса модели в CPU и квантизации float8, причём авторы отмечают возможное снижение качества при использовании float8. Вес репозитория занимает около 19 ГБ. Для работы используются библиотека VideoX-Fun и совместимые инструменты генерации видео. Модель распространяется по лицензии Apache-2.0.

Карточка модели le0n9113/Wan2.2-Animate-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-Animate-14B, поэтому описание составлено по ней. Wan2.2-Animate-14B — модель генерации и преобразования видео семейства Wan от Wan-AI. Она предназначена для переноса движений и выражений персонажа из видео на персонажа с заданного изображения, в режимах анимации и замены персонажа. На вход подаются видео и изображение персонажа, на выходе создаётся видео. Модель основана на Wan2.2-I2V-A14B и использует архитектуру видеодиффузии с механизмом Mixture-of-Experts (MoE), описанным для семейства Wan2.2. В карточке указано 14B в названии модели; подробности о разрешении, частоте кадров и длине контекста для Animate не приведены. Доступен код инференса, а интеграция с ComfyUI отмечена как готовая. Модель подходит для анимации персонажей и замены персонажа в видео с сохранением движений и выражений. Лицензия — Apache-2.0. Возможности для текстовой генерации или обработки звука не заявлены.

Карточка модели Mike123491200/Wan2.2-Animate-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-Animate-14B, поэтому описание составлено по ней. Wan2.2-Animate-14B — модель генерации и преобразования видео семейства Wan от Wan-AI. Она предназначена для переноса движений и выражений персонажа из видео на персонажа с заданного изображения, в режимах анимации и замены персонажа. На вход подаются видео и изображение персонажа, на выходе создаётся видео. Модель основана на Wan2.2-I2V-A14B и использует архитектуру видеодиффузии с механизмом Mixture-of-Experts (MoE), описанным для семейства Wan2.2. В карточке указано 14B в названии модели; подробности о разрешении, частоте кадров и длине контекста для Animate не приведены. Доступен код инференса, а интеграция с ComfyUI отмечена как готовая. Модель подходит для анимации персонажей и замены персонажа в видео с сохранением движений и выражений. Лицензия — Apache-2.0. Возможности для текстовой генерации или обработки звука не заявлены.

Карточка модели rtgfreuui/Wan2.2-Animate-14B на Hugging Face совпадает с карточкой Wan-AI/Wan2.2-Animate-14B, поэтому описание составлено по ней. Wan2.2-Animate-14B — модель генерации и преобразования видео семейства Wan от Wan-AI. Она предназначена для переноса движений и выражений персонажа из видео на персонажа с заданного изображения, в режимах анимации и замены персонажа. На вход подаются видео и изображение персонажа, на выходе создаётся видео. Модель основана на Wan2.2-I2V-A14B и использует архитектуру видеодиффузии с механизмом Mixture-of-Experts (MoE), описанным для семейства Wan2.2. В карточке указано 14B в названии модели; подробности о разрешении, частоте кадров и длине контекста для Animate не приведены. Доступен код инференса, а интеграция с ComfyUI отмечена как готовая. Модель подходит для анимации персонажей и замены персонажа в видео с сохранением движений и выражений. Лицензия — Apache-2.0. Возможности для текстовой генерации или обработки звука не заявлены.

Wan2.2-Animate-14B — модель генерации и преобразования видео семейства Wan от Wan-AI. Она предназначена для переноса движений и выражений персонажа из видео на персонажа с заданного изображения, в режимах анимации и замены персонажа. На вход подаются видео и изображение персонажа, на выходе создаётся видео. Модель основана на Wan2.2-I2V-A14B и использует архитектуру видеодиффузии с механизмом Mixture-of-Experts (MoE), описанным для семейства Wan2.2. В карточке указано 14B в названии модели; подробности о разрешении, частоте кадров и длине контекста для Animate не приведены. Доступен код инференса, а интеграция с ComfyUI отмечена как готовая. Модель подходит для анимации персонажей и замены персонажа в видео с сохранением движений и выражений. Лицензия — Apache-2.0. Возможности для текстовой генерации или обработки звука не заявлены.

wangkanai/wan22-fp8-i2v-gguf — набор GGUF-квантизированных вариантов модели Wan2.2 Image-to-Video A14B. В README не указано, кто разработал исходную модель; репозиторий содержит её версии для локального запуска через библиотеку Diffusers и pipeline image-to-video. Модель преобразует статическое изображение в динамическую видеопоследовательность с поддержкой текстовых подсказок или без них. Она предназначена для генерации видео в разрешении 480p и 720p, включая управляемые сцены, движения объектов и персонажей. Архитектура использует Mixture-of-Experts с двумя экспертами: high-noise для ранних этапов денойзинга и формирования общей композиции и low-noise для последующей детализации. Указано 14B активных параметров на шаг инференса, а Wan2.2-VAE обеспечивает сжатие 64× по схеме 4×16×16. В репозитории представлены вариант FP16 размером около 15 ГБ и два варианта Q4_K_S примерно по 8,2 ГБ, что снижает требования к VRAM и позволяет запускать модель на потребительских GPU. Поддерживаются мног GPU-сценарии и распределённый инференс; для запуска рекомендуется NVIDIA GPU с 16–24 ГБ VRAM и не менее 32 ГБ оперативной памяти, хотя минимально заявлены 12 ГБ VRAM и 16 ГБ RAM. Ограничениями являются значительные требования к вычислительным ресурсам, дисковому пространству и зависимость от совместимого CUDA-окружения; README не содержит сведений о поддерживаемых языках, длительности видео и точных характеристиках качества. Лицензия указана как other, без дополнительных условий в README.

CornLogic/10EROS_1.4_Int8_ConvRot — квантизированная версия модели 10Eros v1.4 для генерации видео по изображению. Она предназначена для использования в Diffusers; в карточке указаны веса в формате Safetensors и варианты с объединённой DMD LoRA, которая может ускорять генерацию. Автор сообщает о минимальном тестировании и отмечает, что производительность вариантов различалась на его системе с RTX 3090 и 64 ГБ ОЗУ. Для обычных версий DMD LoRA требуется загружать отдельно с силой 1.0. Рекомендации по sigmas автор предлагает искать в Discord 10Eros. Сведения о лицензии, языковой поддержке и точных параметрах архитектуры в доступных данных отсутствуют.

Карточка модели Chinook416/3d-gen-1 на Hugging Face совпадает с карточкой MarcusLoren/MeshGPT-preview, поэтому описание составлено по ней. MarcusLoren разработал и обучил MeshGPT-preview — экспериментальную модель для генерации 3D-сеток по текстовому описанию. Она объединяет автоэнкодер-токенизатор, преобразующий 3D-модели в токены и обратно, и авторегрессионный трансформер на основе GPT-2 Small, который генерирует токены с учётом текстового эмбеддинга. В карточке указаны размеры компонентов: около 50 млн параметров у автоэнкодера и 184 млн у трансформера; размер кодовой книги — 2048. Модель обучена на 4 тысячах 3D-моделей с ограничением до 250 треугольников и примерно 800 текстовых метках. Она предназначена для создания отдельных простых объектов, например стула или стола; сложные объекты модель генерирует ограниченно. README также отмечает проблему с ориентацией граней и приводит скорость генерации от 10 треугольников в секунду на CPU до 110 на RTX 4090. Репозиторий распространяется по лицензии Apache-2.0. Модель создана на основе кода MeshGPT Фила Вана; конкретная исходная модель в метаданных не указана.

Bernini-v2-int4 — 4-битная версия Bernini-v2 для Apple MLX, созданная сообществом mlx-community на основе ByteDance/Bernini-Diffusers-v2 и распространяемая по лицензии Apache-2.0. Модель предназначена для генерации видео по изображению и связана с семейством Wan2.2-A14B. Квантизация затрагивает два трансформерных эксперта Wan2.2-A14B: линейные слои внимания и FFN используют int4 с размером группы 64. Планировщик, энкодер umT5 и VAE сохранены в bf16. Такой вариант рассчитан на устройства с ограниченной памятью; README отмечает измеримую потерю качества диффузионных трансформеров при переходе с bf16 и рекомендует bf16 как вариант по умолчанию. Для подробностей об использовании и происхождении авторы отсылают к карточке bf16-репозитория.

Это контрольная точка предобучения CanViT — Canvas Vision Transformer, модели активного компьютерного зрения, которая воспринимает сцену последовательностью фрагментов и сохраняет информацию о ней на общей для сцены «холсте». Репозиторий предоставляет веса для JAX и Flax NNX; класс модели — CanViTForPretraining. Карточка указывает исходный чекпойнт canvit/canvitb16-add-vpe-pretrain-g128px-s512px-in1k-dv3b16-2026-06-22. Модель предназначена для извлечения признаков изображений и исследований активного зрения. Для использования требуется библиотека canvit-nnx. Веса опубликованы в формате safetensors по лицензии MIT. В карточке не приведены размер модели, поддерживаемые языки и длина контекста.

DA3NESTED-GIANT-LARGE — модель семейства Depth Anything 3 от команды ByteDance Seed для восстановления визуальной геометрии по изображениям. Она объединяет Giant для работы с произвольными ракурсами и Large для оценки глубины в метрическом масштабе. Модель насчитывает 1,40 млрд параметров и использует архитектуру Vision Transformer с унифицированным представлением глубины и лучей.

Depth Anything V2 Small — компактная модель для монокулярной оценки глубины по изображению, представленная авторами Depth Anything V2 и опубликованная в версии, совместимой с библиотекой Transformers. Она строит плотную карту глубины по одному изображению и подходит для оценки относительной и абсолютной глубины без дообучения на конкретном сценарии. Модель использует архитектуру DPT с backbone DINOv2. Для обучения семейства применялись около 600 тысяч синтетических изображений с разметкой и более 62 миллионов реальных изображений без разметки. По сравнению с Depth Anything V1 авторы отмечают более детализированные и устойчивые предсказания; версия Small рассчитана на более лёгкий и быстрый запуск. Модель предназначена для исследовательских и прикладных сценариев компьютерного зрения, где требуется получить глубину сцены из RGB-изображения. Она не заменяет датчик глубины и может ошибаться на необычных сценах, прозрачных или отражающих поверхностях и объектах, недостаточно представленных в обучающих данных. Лицензия — Apache-2.0.

detailed-skin-xl — это LoRA-модель для Stable Diffusion XL, разработанная EauDeNoire и предназначенная для генерации реалистичных текстур кожи с использованием diffusers. В качестве базовой модели указана xinsir/controlnet-union-sdxl-1.0. Модель применяется в сценариях text-to-image, когда требуется повысить детализацию кожи, включая видимые поры и реалистичный внешний вид. Для активации используются триггерные фразы «skin texture style», «detailed skin pore», «detailed skin» и «realistic skin». Веса доступны в формате Safetensors. README не содержит сведений о размере модели, точной архитектуре LoRA, поддерживаемых языках, длине контекста, лицензии, ограничениях использования или формальных результатах оценки, поэтому эти характеристики нельзя определить по представленным данным.

Distill-Any-Depth-Large-hf — модель для оценки глубины по одному изображению, опубликованная пользователем xingyang1. Это совместимый с библиотекой Transformers чекпойнт семейства Depth Anything, обученный с применением предложенных авторами алгоритмов дистилляции знаний и предназначенный для моноскопической оценки глубины, в том числе без дополнительной настройки под конкретный набор данных. Модель принимает изображение и выдаёт карту глубины. Её можно использовать для анализа сцены по фотографии в компьютерном зрении и приложениях, которым нужна оценка относительной геометрии изображения. В карточке не приведены сведения о размере модели и её языковых возможностях; текстовый ввод и вывод не заявлены. Репозиторий распространяется по лицензии MIT.

DR34ML4Y_I2V_14B_HIGH_V2 — это LoRA-адаптер для диффузионной модели Wan-AI/Wan2.2-I2V-A14B, разработанный пользователем или организацией SlartyG. Модель предназначена для задач image-to-video, то есть генерации видео на основе исходного изображения, и используется в экосистеме Diffusers. В карточке также указаны теги text-to-image и diffusion-lora, однако подробного описания соответствующих сценариев нет. Из доступных данных известно, что адаптер связан с базовой моделью Wan2.2-I2V-A14B и имеет размерный идентификатор 14B в названии. Сведения об архитектуре адаптера, поддерживаемых языках, модальностях, максимальном контексте, требованиях к оборудованию, сильных сторонах и ограничениях отсутствуют. Лицензия и условия коммерческого или некоммерческого использования также не указаны, поэтому их необходимо уточнить отдельно.

East asian female face — это LoRA-адаптер для генерации изображений восточноазиатских женских лиц. Модель опубликована под идентификатором Muapi/east-asian-female-face и предназначена для использования с базовой моделью Stability AI Stable Diffusion XL Base 1.0 через библиотеку Diffusers и пайплайн text-to-image. Для активации обученного визуального признака указано ключевое слово yeonhwa. Модель подходит для создания портретов и персонажей с заданными в текстовом описании характеристиками; в README приведён пример генерации изображений размером 1024×1024. Точные параметры архитектуры LoRA, размер адаптера, поддерживаемые языки и максимальная длина контекста не указаны. Сильной стороной является специализация на внешности восточноазиатских женщин и совместимость с SDXL 1.0, однако результат зависит от базовой модели, prompt и значения lora_strength, а ограничения по качеству и разнообразию лиц в README не описаны. Лицензия указана как openrail++.

Alaya-EVOKE — набор весов интерактивной модели мира для генерации видео, опубликованный AlayaLab. Модель создаёт видео 384 × 640 с частотой 24 кадра в секунду и, по описанию авторов, сохраняет связность сцен в роллаутах длительностью до 30 секунд. Генерация выполняется за три шага без classifier-free guidance; состояние мира хранится отдельно, а подсказку можно менять во время генерации без перезапуска. Репозиторий содержит только веса; для работы требуются код из GitHub и бэкенд глубины ViGeo. Дистиллированные варианты обучались только на video-to-video conditioning, поэтому режимы text-to-video и image-to-video для них являются zero-shot; stage1_camera_control обучался во всех трёх режимах. VAE, текстовый энкодер, токенизатор и scheduler в evoke-base происходят от Helios, который основан на Wan; учитель EVOKE построен на LingBot-World. Лицензия — Apache-2.0.

Fast3R ViT Large 512 — модель для восстановления 3D-сцены по изображениям, опубликованная под именем jedyang97. Карточка относит её к проекту Fast3R, посвящённому реконструкции 3D по более чем тысяче изображений за один прямой проход; модель можно использовать в проектах на PyTorch через класс Fast3R. Модель предназначена для задачи image-to-3d. В названии указаны ViT Large и размер 512, однако README не уточняет значение 512 и конкретные выходные данные реконструкции. Репозиторий содержит веса в формате safetensors. Языковые возможности не заявлены. Лицензия обозначена как other, поэтому конкретные условия использования следует сверить с лицензией репозитория.

BmaNara/food_model — модель классификации изображений, дообученная разработчиком BmaNara на базе Vision Transformer google/vit-base-patch16-224-in21k. Модель содержит 113,2 млн параметров и распространяется в формате Safetensors; лицензия — Apache-2.0. Она предназначена для отнесения изображений к категориям еды. На указанном в карточке наборе оценки точность составила 0,492, а значение loss — 2,0833. Состав категорий и обучающих данных не раскрыт, поэтому пригодность для конкретной кухни или набора классов следует проверять на своих изображениях.

city96/HunyuanVideo-I2V-gguf — это прямое преобразование модели Tencent HunyuanVideo-I2V в формат GGUF, выполненное пользователем city96. Модель предназначена для генерации видео на основе изображений (image-to-video) и рассчитана на использование с нативными встроенными узлами HunyuanVideo в ComfyUI. Также поддерживается работа через пользовательский узел ComfyUI-GGUF. Это квантованная версия исходной модели, а не дообученная модификация, поэтому её возможности и ограничения соответствуют оригинальной HunyuanVideo-I2V. README не содержит сведений о размере модели, точной архитектуре, поддерживаемых языках, модальностях помимо image-to-video или размере контекста. Ключевое преимущество версии — представление в GGUF, потенциально удобное для совместимого рабочего процесса ComfyUI и выбора типа квантования; при этом качество и совместимость могут зависеть от конкретного варианта квантования и используемой конфигурации. Для работы требуется ComfyUI с соответствующими узлами HunyuanVideo или ComfyUI-GGUF. Файлы модели следует размещать в каталоге ComfyUI/models/unet; VAE необходимо загружать отдельно из указанного в README репозитория Kijai. Модель распространяется по лицензии tencent-hunyuan-community; поскольку это квантованная версия без дообучения, на неё распространяются исходные ограничения и условия лицензии Tencent Hunyuan.

Fediory/HVI-CIDNet-LOLv1-wperc — реализация модели HVI-CIDNet из работы «HVI: A New Color Space for Low-light Image Enhancement». Модель предназначена для улучшения изображений, снятых при слабом освещении, и работает в режиме image-to-image. Репозиторий содержит веса в форматах PyTorch и Safetensors. Лицензия — MIT. Карточка связывает модель с исследовательской работой, но не указывает размер, архитектурные детали или ограничения качества.

internlm/internlm-xcomposer2d5-clip — визуальный энкодер, разработанный командой InternLM для мультимодальной системы InternLM-XComposer2.5. Модель преобразует изображения в признаки, которые затем используются языковой моделью для понимания изображений, видео, многокадровых сцен и визуально-текстовых диалогов. Модель основана на архитектуре CLIP Vision и содержит около 402,7 млн параметров. В Hugging Face она опубликована как модель для извлечения признаков и используется через Transformers и PyTorch; в официальной реализации InternLM-XComposer2.5 выступает как vision tower, подключаемый к языковой модели. Доступная модальность — изображения; сведений о поддерживаемых естественных языках и длине контекста для самой модели нет. Сильная сторона модели — получение визуальных представлений для задач мультимодального понимания и интеграции с крупной языковой моделью. Это не самостоятельная чат-модель и не генератор текста: для ответов на вопросы, диалогов или создания описаний требуется мультимодальная система, использующая этот энкодер. Модель распространяется по лицензии Apache-2.0.

Карточка модели jingheya/lotus-depth-d-v1-0 на Hugging Face совпадает с карточкой jingheya/lotus-depth-g-v1-0, поэтому описание составлено по ней. Lotus Depth G v1.0 — модель из официального семейства Lotus, разработанного Jing He и соавторами. Это визуальная фундаментальная модель на основе диффузии для плотного предсказания; данный вариант предназначен для оценки глубины по изображению. Модель рассчитана на получение карты глубины, где каждому участку изображения соответствует оценка расстояния. Её можно использовать в задачах компьютерного зрения, которым нужна пространственная структура сцены. Репозиторий подготовлен для библиотеки Diffusers и содержит веса в формате safetensors. Модель распространяется по лицензии Apache-2.0. README не содержит сведений о размере, поддерживаемых языках или численном качестве; инструкции по применению вынесены на внешнюю страницу.

GonzaloMartinGarcia выпустил Marigold E2E FT Normals — модель на базе диффузионной архитектуры Marigold для оценки карты нормалей поверхности по одному RGB-изображению. Она предназначена для монокулярного анализа сцен, включая изображения «из реального мира», и выполняет предсказание за один детерминированный шаг; для такого режима используются нулевой шум и размер ансамбля 1. Модель принимает изображение и выдаёт изображение-карту нормалей, пригодное для визуализации и задач 3D-реконструкции. Она дообучена сквозным образом на специализированной функции потерь; репозиторий распространяется по лицензии Apache-2.0.

MeshAnythingV2 — модель проекта MeshAnything для преобразования входной 3D-сетки в малополигональную художественную сетку. В репозитории указана архитектура OPTForCausalLM семейства Shape-OPT; модель содержит около 402,8 млн параметров и распространяется в формате safetensors. Хотя авторский pipeline_tag обозначает задачу image-to-3d, README описывает обработку уже созданной плотной 3D-сетки, а не непосредственную генерацию сетки по изображению. Модель предназначена для упрощения и художественного представления 3D-объектов с ограниченным числом граней, в том числе для последующей работы с результатами реконструкции или генерации 3D. README сообщает, что на входную сетку рекомендуется подавать нормализованный объект с направлением вверх по оси +Y; для сеток, не созданных Marching Cubes, предлагается предварительная обработка этим методом. Для обработки на A6000 требуется около 8 ГБ видеопамяти, генерация занимает примерно 45 секунд. Обучение ограничено сетками менее чем с 1600 гранями, и модель не генерирует сетки более чем с 1600 гранями. Слишком мягкие или недостаточно детализированные формы трудно представить при таком лимите. Лицензия — MIT.

MiniMax-H3-Pruned-Ref-Delta-Fused-GGUF — набор GGUF-квантизаций гибридной модели для генерации видео, разработанный Abiray на базе архитектуры MiniMax-H3 от MiniMax AI. Модель предназначена для text-to-video и image-to-video сценариев с референсным управлением, включая сохранение персонажей и объектов по нескольким изображениям, и интегрируется с ComfyUI через ComfyUI-GGUF. Базовая модель подготовлена xmarre, а интеграция GGUF выполнена city96. Модель основана на обрезанной архитектуре MiniMax-H3 размером 20,1 млрд параметров. Она объединяет визуальное качество, динамику движения и аудио FL2VA с многoизображенческим управлением персонажем Ref2VA посредством слияния delta-весов ранга 1024. Доступны варианты квантизации от Q3_K_M до Q8_0 размером примерно от 8,9 до 21,6 ГБ, рассчитанные на видеокарты с 12–24 ГБ VRAM и мульти-GPU. В README указаны рекомендуемые разрешения 1280×720 и 1280×544, а также генерация роликов длиной 49 или 81 кадр. Сильными сторонами являются локальный запуск на потребительских GPU, сочетание согласованности движения с сохранением идентичности по референсам и небольшая потеря качества у старших вариантов квантизации. Для ускоренной инференции рекомендуется turbo-LoRA, 8 шагов, CFG 1.0 и sampler Euler. Ограничения включают зависимость от ComfyUI и дополнительного узла ComfyUI-GGUF, необходимость выбора квантизации с учетом доступной VRAM и отсутствие в README подробностей о поддерживаемых языках, точной аудиомодальности и качестве на разных типах входных данных. Модель распространяется по лицензии MiniMax H3 Community License.

NPPE-3 — модель на основе RRDBNet для совместного подавления шума и 4-кратного увеличения разрешения тёмных RGB-изображений. Автор карточки указывает, что генератор использует архитектуру Real-ESRGAN с 12 RRDB-блоками и примерно 8,78 млн параметров; обучение проведено для соревнования DLP26T2 NPPE-3 с функцией потерь Charbonnier без GAN. Модель принимает RGB-изображение любого размера и выдаёт очищенное изображение с увеличенным разрешением в четыре раза. Модель ориентирована на восстановление низкоосвещённых изображений, когда нужно одновременно убрать шум и повысить детализацию. В README приведены результаты на валидационной выборке соревнования из 267 изображений: RGB PSNR 39,10. Весовой файл представлен в формате PyTorch. Лицензия репозитория — MIT; заявленная область применения ограничена изображениями, подобными данным соревнования, поэтому качество на иных типах изображений не гарантировано.

Yuanshi/OminiControl — модель, представленная в работе «OminiControl: Minimal and Universal Control for Diffusion Transformer». Репозиторий содержит веса в формате safetensors и относится к библиотеке diffusion-single-file. Модель предназначена для управления генерацией и преобразованием изображений в диффузионных трансформерах. Карточка связывает её с задачей image-to-image, но не описывает конкретные режимы управления, требования к входному изображению или поддерживаемые базовые модели. README не содержит сведений о разработчике сверх имени репозитория, архитектуре, размере, языках, лицензии и ограничениях. Поэтому условия использования и конкретные характеристики модели по доступным данным установить нельзя.