Lab @11 : nude pantyhose utility lora (+ a bit nsfw style)

소개.

• lab 11은 LoRA 시리즈로, lab 10의 훈련을 위해 데이터셋을 보정하고 향상시키기 위한 "유틸리티" LoRA로 개발되었습니다. 그러나 단독 사용해도 괜찮다는 것을 발견했으므로, 자유롭게 활용해 주세요.

• 참고 사항: 벌거숭이/투명 스타일의 팬티스타킹은 예상보다 그리 간단하지 않습니다...

  • 색상의 미세한 차이나 디테일 손실만으로도 매우 비참하게 보일 수 있어요 😅

  • 흥미롭게도, 많은 기본 모델들이 특정한 일반적인 스타일(예: 검은 팬티스타킹)로 팬티스타킹을 생성하는 경향이 있어, 디테일과 색상을 수정하도록 가르치는 것이 다소 어려웠습니다. 아직 핵심 요소들을 명확히 파악하지는 못했고, 단지 이 초기 아이디어만 얻었습니다.

  • 어렵긴 하지만, LoRA를 처음부터 점진적으로 만들어보고 개선하는 과정을 시도해볼 수 있는 좋은 훈련 주제입니다.

  • 직접 훈련해보세요~ 재미있고, 생각보다 훨씬 쉬워요.

  • 추천하는 한 가지 방법:

    • Civit에서 기존 LoRA를 가져와 프롬프트를 조정하고, 데이터셋을 구성하세요(고해상도 및 adetailer를 사용하여 얼굴을 보정하는 것을 잊지 마세요). 그런 다음 실험을 시작해 보세요(11-x 및 10-x 시리즈 모두를 자유롭게 활용해 배치 데이터셋을 생성하고 시도해보세요).

    • 저는 가끔씩 일부 LoRA의 데이터셋도 업로드할 예정이므로, 마음껏 받아서 수정하고 훈련해 주세요.

변경 내역

• 250519

  • LoRA 11-25, 11-27, 11-28 업로드 (janku v3 기반)

  • 일부 생각 및 발견 업데이트 (아래 참고)

• 250430

  • LoRA 11-02 (janku v3 기반) 및 11-03 (illustrious XL 0.1 기반) 업로드

  • 업데이트 — LoRA 데이터셋 품질 향상을 위한 여러 기술:

    • 유틸리티 LoRA의 img2img 재생성 방식을 활용해 이미지 혼란 감소 및 품질 향상

    • 옷선 제거 및 주름을 더 자연스럽게 처리

    • 과도하게 강조된 영역 처리

    • 발 모양 처리

  • 아래 참고

• 250429

  • LoRA 11-01 업로드 (illustrious XL 0.1 기반, Civit에서 훈련)

사용법

lab 11-28

트리거 토큰: lrnude pantyhose 또는 sheer lrnude pantyhose

부정 프롬프트가 필요할 수 있음:

oily pantyhose, pantyhose band, (black pantyhose), white pantyhose,

lab 11-27

트리거 토큰은 lab 11-28과 동일합니다.

나쁨입니다. 사용하지 마세요.

lab 11-25

트리거 토큰: lrnude, sheer beige pantyhose

부정 프롬프트가 필요할 수 있음:

oily pantyhose, pantyhose band, (black pantyhose), white pantyhose,

lab 11-02, lab 11-03 (더 나음, 단독 사용 가능)

• 모델 --

  • lab 11-02 => janku v3를 사용하는 것이 좋습니다

  • lab 11-03 => illustrious 모델 전반에 적합할 수 있습니다

• 가중치: 0.5 ~ 1, 스텝 > 20 (너무 많은 버그 결과를 생성하지 않습니다)

• 고해상도 보정 및 adetailer는 필수 아님

• 긍정 프롬프트 및 트리거 토큰:

  • lrfixme,

    • 이는 lab 10용 이미지 수정을 위한 유틸리티 LoRA이므로, 이와 같은 토큰을 사용했습니다

  • sheer pantyhose,

  • sheer golden pantyhose,

  • sheer xxx pantyhose,

  • sheer bodystocking,

  • high detailed skin,

    • (미검증) 약간의 디테일 향상에 도움이 될 수 있나요?

• 부정 프롬프트:

  • pantyhose band,

    • 개인 취향이며, 단지 추천입니다

  • shiny, oily,

    • 기름진 느낌이 너무 심하다고 느껴질 경우

• 데이터셋도 함께 첨부되어 있으니 다운로드하여 확인하세요:

  • 훈련 데이터셋 품질이 LoRA에 미치는 영향 예: 11-01과 11-02 비교

lab 11-01 (나쁨, 비추천)

업데이트 #250519

생각 (다이어그램) - 훈련용 데이터셋 생성을 위한 유틸리티 LoRA 생성

텍스트를 확인하세요:

• 캡션 확인:

  • 11-27은 xxx_word 스타일 사용( _ 언더스코어를 구분자로 사용)

  • 11-28은 xxx word 스타일 사용( 공백을 구분자로 사용)

• 발견 결과:

  • 동일한 데이터셋 이미지로 훈련했을 때, 11-28이 11-27보다 더 나음

• 훈련 손실 곡선은 다음과 같습니다:

업데이트 #250430

공유 — 유틸리티 LoRA 및 SD를 사용하여 자체 데이터셋 이미지 향상하는 법

모델 호환성 및 적용 범위

먼저, 중요한 발견을 공유하고자 합니다: illustrious XL 0.1 기반으로 훈련된 LoRA는 illustrious XL을 기반으로 하는 다양한 파생 모델에서 매우 우수한 성능을 보입니다. 그러나 illustrious XL의 후속 분기 모델에서 훈련된 경우 적용 범위가 상대적으로 제한됩니다. 예를 들어, janku v3 기반의 다른 버전 11-01과 비교해보세요(janku는 illustrious → rouwei → janku 순으로 진화한 것으로 보입니다).

완전히 원하는 느낌을 얻지는 못했지만, 그래도 더 자연스러운 느낌이 듭니다.

질문: 왜 유틸리티 LoRA를 사용해야 할까?

먼저, 왜 유틸리티 LoRA를 훈련할 생각을 했나요?

왜냐하면 이 데이터셋은 최근에 준비되었고(이미지 품질에 별로 신경 쓰지 않았을 당시), 품질 향상이 필요했기 때문입니다. 기본적인 예술적 기반 없이 단순한 드로잉 프로그램으로 간단한 수정만 할 줄 아는 사람이라면 어떻게 해야 할까요?

저는 img2img를 사용해 이미지를 재생성하여 품질을 향상시키는 방식을 고민했습니다(이 방법이 효과적이라면 단순한 수동 이미지 품질 조정보다 우수할 것입니다).

그러나 기본 모델 또는 다른 모델을 직접 사용해보니, 강도를 높게 설정하면 데이터셋에서 원하는 특성이 희석되고, 너무 낮게 설정하면 원하는 이미지 최적화 효과를 얻지 못했습니다.

실험을 통해, 기본 모델이나 이전에 문제가 있던 LoRA만으로도 특정 처리 기술을 통해 이미지 품질을 효과적으로 향상시킬 수 있다는 것을 알게 되었습니다.

하지만 몇 장의 이미지를 처리한 후, img2img 강도를 높게 설정할 수 없어 추가 조정을 위해 더 많은 노력을 기울여야 한다는 점에서 이 접근 방식이 비용이 많이 들 것이라고 느꼈습니다.

그래서 생각했습니다: 작은 배치의 이미지 품질을 향상시켜 그로 훈련된 고품질 LoRA를 만들면, 이 LoRA는 txt2img에는 평범할 수 있지만, 낮은 가중치 및 낮은 노이즈 감소 강도에서 img2img에는 신뢰할 수 있게 작동하며, 이미지 수정 작업을 더 쉽게 만들어 줄 수 있겠죠.

이것이 전체 접근 방식입니다. 그래서 저는 이런 유틸리티 LoRA를 훈련했습니다.

유틸리티 LoRA 수리 후 효과 예시 (0.x 강도):

먼저 문제를 살펴보세요 — 원본 이미지와 문제점은 다음과 같습니다:

다리 부분을 마스킹하고(유틸리티 LoRA를 0.2 ~ 0.4 강도로 사용하여) 세 번 빠르게 실행한 후 결과는 다음과 같습니다:

물론, 특정 가습기나 특정 아름다운 여성과 일반적인 유형을 비교하는 등 미세한 변화에 매우 민감한 특징의 경우, 이 방법은 적용이 어렵습니다.

참고: 아래 이미지 처리는 무료 온라인 도구 https://www.photopea.com/를 사용했습니다.

기술: 마스크를 사용해 img2img 영역 제어

1. 마스크를 사용해 훈련 대상 영역을 보호한 후, 마스크 외부 영역에 img2img를 적용하세요. 이 방법은 보존하고자 하는 내용을 보호하면서, 우수한 모델이 관련 없는 부분을 처리하게 합니다(Utility LoRA 사용 여부나 adetailer 활성화 여부와 무관하게 가능). 이 경우 더 높은 강도를 사용할 수 있습니다.

2. 대상 훈련 효과 자체가 적절한 품질을 가지고 있으며 재생성할 필요가 없다면, 위 방법을 적용한 후 마스크를 사용해 대상 영역의 경계를 정의하고, 유틸리티 LoRA로 낮은 강도의 재생성을 적용해 더 자연스러운 디테일 전환을 달성하세요.

3. 대상 영역이 조정이 필요하지만 특별한 이미지 처리가 필요하지 않은 경우, 유틸리티 LoRA를 사용해 전체 이미지에 낮은 강도로 재생성할 수 있습니다(선택 영역을 신경 쓰지 않아도 됩니다 😂). 이후 필요에 따라 방법 1과 2를 사용하세요.

예시 — (이 포스팅이 NSFW가 되지 않도록 얼굴만 비교해보겠습니다)

기술: 이미지 비율 변경

이전 훈련 경험을 바탕으로 몇 가지 핵심 포인트:

1. 일관된 훈련 차원의 이미지를 제공하세요.

2. 우선 고해상도로 이미지를 처리하세요(훈련 크기와 동일한 비율 유지), 모든 이미지 최적화를 이 큰 크기에서 수행하고, 자주 확대·축소하지 마세요.

3. 처리가 완료되면, 손실 없는 방법으로 일관되게 훈련 크기로 축소한 후, 시각 확인을 위해 확대하여 색상 진동이 없는지 확인하세요( lab_10 훈련에서 발견된 내용 참조).

예시: 1024 × 1156에서 832 × 1216 비율로 조정하려면:

먼저 대상 방향으로 약간 조정한 후, 목표 비율로 조정하세요. 두 과정 모두 매우 낮은 강도(저는 0.01 사용)를 사용하여 자동으로 추가 영역을 채우도록 합니다.

그 다음, 드로잉 소프트웨어에서 문제 있는 부분을 제거한 후, 다시 불러와 마스크를 사용해 변화 영역을 재조정합니다.

기술: 리퀴파이 도구를 사용한 구조적 형태 조정

리퀴파이 도구를 사용하여 다리 발 뒤꿈치 위치와 같은 구조 조정을 수행하세요. 일부 영역이 너무 "직사각형"처럼 보일 수 있는데, 발 뒤꿈치는 더 둥글고 자연스럽게 표현되어야 합니다.

드리프트 조정 후 더 자연스러운 형태가 나오면, img2img로 미세 조정하고 완성하세요.

기술: 디테일 조정

주름 감소 및 과도한 하이라이트 방지와 같은 디테일 미세 조정을 위해, 다음 세 가지 효과적인 방법이 있습니다:

• 색상 오버레이: 먼저 투명 레이어를 생성한 후, 근처 색상을 사용해 채색하세요. 브러시의 하드니스 및 투명도를 낮추는 것을 잊지 마세요.

• 힐링: 상대적으로 평평한 지역에 효과적입니다. 스크래치 후 알고리즘이 작은 주름이나 반점 자동 제거

• 블러 및 하이라이트: 이 방법은 과도하게 선명한 부분(매우 두드러진 하이라이트 영역 등)에 사용할 수 있습니다. 하이라이트가 필요한 부분에는 낮은 투명도의 밝기 추가도 가능합니다. "shiny, oily" 같은 부정 프롬프트와 결합하면, img2img가 과도한 기름진 효과를 생성하지 않도록 제어할 수 있습니다(가끔 기름진 효과는 디테일이 부족한 플라스틱 같은 저질 느낌을 줍니다).

옷 선 제거 예시: 주름을 더 자연스럽게 만듭니다(실제로 모든 주름을 제거하는 것은 아닙니다)... 너무 NSFW가 되지 않도록요.

스크래치 후, 낮은 강도의 img2img를 사용하여 매끄럽게 처리하면 더 자연스러운 효과를 얻을 수 있습니다.

더 전문적인 도구와 고급 브러시 효과를 사용하면 이미지에 더 풍부한 디테일을 추가할 수 있습니다.

기술: 논리적 오류 조정

예를 들어, 비자연적인 세 발가락 발과 같은 명백한 문제를 처리하는 방법:

먼저 선택 도구로 영역을 빠르게 선택한 후, 위치 및 변형을 조정하세요(밀기/당기기에는 리퀴파이 사용 고려). 마지막으로, img2img에서 중간~낮은 강도로 재생성하여 수정된 부분이 전체 이미지와 자연스럽게 어우러지도록 만드세요.

기술: 선택 영역 관리 및 Segment Anything

이미지 처리 시 정밀한 경계를 가진 다수의 선택 영역이 필요할 수 있습니다. WebUI를 사용하면 선택 편집 기능이 단순하고 정밀 제어가 어렵고, 동시에 하나의 선택만 가능해 매번 재생성해야 해 매우 불편합니다.

이미지 편집 소프트웨어에서 선택 영역을 정밀 편집하고, 레이어를 사용해 여러 사전 선택 영역을 저장하세요(언제든지 쉽게 재사용 가능).

또한, 다양한 선택 처리 및 반전 처리 방법도 매우 유용한 도구입니다.

또한, Segment Anything를 사용하면 선택 영역을 매우 편리하게 얻을 수 있습니다. 자세한 내용은 다음을 참조하세요: https://github.com/continue-revolution/sd-webui-segment-anything?tab=readme-ov-file

업데이트 #250429

사용법:

• 테스트된 가중치: 0.5 ~ 0.7, 스텝 > 30 (스텝이 조금 더 높아야 일부 생성 결과에서 생식기 부위가 비정상적으로 렌더링되지 않습니다)

• 고해상도 보정(또는 고해상도 img2img)을 권장합니다

  • adetailer는 필요 없을 수 있습니다

lab 11-01 : Civit에서 훈련

• hmmmm... 아직 결과 LoRA를 테스트해보지 않아 추가 설명은 없습니다.

• pro. 그러나 전체 워크플로우는 원활합니다(데이터셋 준비부터 학습된 LoRA 게시까지).

• con. 정규화 이미지 세트를 업로드하는 방법을 찾지 못했습니다.

• con. 스텝별 손실을 확인할 수 있는 방법이 없습니다(예: 텐서보드).

• con. 학습 크기는 고정된 정사각형이며, 832 x 1216과 같은 크기를 지정할 수 없습니다.