Anime Pose + Camera Solidifier

这是一个基于原始AI生成的Simulacrum数据集训练的简单1k图像LoRA。

这些图像曾部分发布在较早的LoRA中。

它们几乎完全由玩偶部件和身体部位碎片组成；每个部件均手工制作，专为特定拍摄角度、简单着色、扁平风格和极简标签设计。

它们的创建是为了修复PDXL的自闭症问题；并且非常适合修复Simulacrum V4 Epsilon中的大规模训练，主要原因是Civitai允许进行epsilon训练。

请降低权重，以便启用SDXL - SIMV4的手部生成。那些手部效果很好，但本数据集中的手部并不理想。

组合角度标签，例如：

从侧面、从背后、侧视图；

这将生成一幅图像：上半身从侧面观察，下半身略微向后扭转，而相机视角固定在侧面。

现在，这并非完美，但其中蕴含巨大潜力。

你试试自己手动标注成千上万张图像吧——这简直令人抓狂。

别被标签误导了。所有内容都基于角度，这些标签原本就是为了分解自闭症训练而设计的。

SimV4能处理任何内容，因此你只需说“安全”然后生成即可。它们是玩偶，不具备解剖学准确性。它们的手部是错误的，也不适用于高保真艺术。然而，它们在控制器方面提供了绝对的确定性。

每个姿态都围绕特定角度精心设计和构图，因此训练会对SimV4的姿态控制造成显著影响。

这些空心模型玩偶是原始Simulacrum微调最终阶段的基础；但在模型早期学习阶段就向其灌输这些内容，并不是一个好主意。

这就是我最终转向Controlnet玩偶的原因——但那是另一个故事了。

这是一个专门针对原始图像连夜训练的LoRA，应该能有效提升多张图像的生成质量。

---

几天内，我可能会训练完整的SimV4基础数据集，该数据集约包含2500张图像，专门用于姿态与镜头控制；因此它并不会与当前版本有太大差异。它在真实感和三维表现上会更优，而当前版本对三维效果尚可，但会受到早期数据的交叉污染，这些数据我尚未从数据集中移除，因为筛选过程太过痛苦，而我每天根本没有时间处理。