LowRA 带出极致暗夜场景感的SD优化模型

012411

XpucT

18天前更新

真正的游戏规则改变者

现在，您只需一个 LowRA 即可获得所需的尽可能多的内容low key

快速提示：

Your start point (weight) is 0.6 ➜ <lora:LowRA:0.6>
Looking for more darkness? Just add to your promptdark theme
The best weight range is about 0.6 ≈ 0.8

技术信息：

Dreambooth 训练（创建）模型过程旨在在每个训练阶段将每个图像转换为噪声。这样做是为了以后在图像生成阶段，稳定扩散可以将任何随机噪声转换回图像。在 Dreambooth 中训练模型的次数越多（将同一图像转换为随机噪声的频率越高），稳定扩散就越容易从随机噪声（稳定扩散自行创建）中重新创建所需的图像。例如，如果将 1 张图像转换为随机噪声 10 次（10 步梦幻亭训练），则在生成过程中，稳定扩散从噪声重新创建图像的机会要多 10 倍。这就是为什么我们进行数千个训练步骤——以增加重新创建图像的可能性。

但是，通过将任何图像转换为噪声，我们获得了≈45%至≈55%的亮度（HSB）。总是。你可以在python上用Photoshop检查这一点，只需选择一个完全白色的方块和一个完全黑色的方块，然后将两者都变成噪音。然后过滤➜模糊➜平均。您将始终获得≈45%到≈55%的亮度。这就是为什么当你试图生成或.你就是不能。

LowRA在图像生成过程中嵌入自身时解决了这个问题。在图像生成过程开始时，LowRA 会给您另一个噪音，允许您在所需的密钥中获取图像。LowRA的重量越高，就越稳定的扩散将被迫使用LowRA的样品。用于训练LowRA的样本是严格选择的图像，其整体平均亮度小于25%。这使得使用LowRA的重量更轻成为可能，这样当您与其他LoRA并行使用LowRA时，你不会弄得一团糟.因此，如果您使用其他东西在稳定扩散中获得低调的图像，您应该忘记旧技术，只使用 LowRA。

在LowRA训练中仔细选择图像的过程如下：首先选择了几千张低调的图像，每张图像在Photoshop中都有一个噪点模式，并且每个单独的主题都有一个严格的调色板。暖色调和明亮色调在整个图像中接收的空间不超过25%。接下来，将每个处理后的图像发送到img2img，以创建10个相似的世代。之后，在Photoshop中测试了10张图像的样本，以确保正确的色彩再现。如果测试通过，并且明亮和温暖的色调不超过亮度的 25%，则采样的图像将发送到数据集。如果没有，则只需删除图像并拍摄下一张图像。这种严格而仔细的选择使得获得理想的训练数据集成为可能。现在你可以在这个页面上看到我的工作结果。numpy randomcompletely black squarecompletely white square