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

引言

• Lab 11 是一系列 LoRA，最初设计为“工具型”LoRA，用于修正和提升训练 Lab 10 所需的数据集。但我发现它单独使用效果也不错，欢迎随意使用。

• 附注：裸露/透明丝袜的效果并没有我预想的那么简单……

  • 一点点颜色差异或细节丢失，就会让画面看起来很丑 😅

  • 有趣的是，很多基础模型倾向于生成某种常见风格的丝袜（例如黑色丝袜），因此要教会模型修正细节和颜色变得相当棘手。我目前还无法明确关键要素，这只是个初步想法。

  • 尽管难度不小，但这是一个很好的训练课题，你可以尝试从零开始逐步训练出一个 LoRA，并体会如何不断优化它。

  • 试试训练你自己的吧～很有趣，而且比你想象的简单得多。

  • 我推荐你尝试的一种方法：

    • 你可以从 Civitai 下载现有的 LoRA，调整提示词，获取一组数据集（记得使用高分辨率和 adetailer 修复面部），然后进行实验（可自由使用本系列中的 11-x 和 10-x 所有 LoRA 来批量生成数据集并尝试）。

    • 我也会不定期上传部分 LoRA 的数据集，欢迎直接下载、修改和训练。

更新日志

• 250519

  • 上传了 LoRA 11-25、11-27、11-28（基于 janku v3）

  • 更新了一些想法与发现（见下文）

• 250430

  • 上传了 LoRA 11-02（基于 janku v3）和 11-03（基于 illustrious XL 0.1）

  • 更新 — 提升 LoRA 数据集质量的若干技巧：

    • 结合工具型 LoRA 的 img2img 重绘方法，减少图像混乱并提升质量

    • 去除衣物线条，使褶皱更自然

    • 处理过亮区域

    • 脚部形态处理

  • 详见下文

• 250429

  • 上传了 LoRA 11-01（基于 illustrious XL 0.1，使用 Civitai 数据训练）

使用方法

lab 11-28

触发词：lrnude pantyhose 或 sheer lrnude pantyhose

你可能需要的负面提示：

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

lab 11-27

触发词与 lab 11-28 相同

效果较差，不要使用。

lab 11-25

触发词：lrnude, sheer beige pantyhose

你可能需要的负面提示：

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

lab 11-02, lab 11-03（效果更好，可独立使用）

• 模型：

  • lab 11-02 => 推荐使用 janku v3

  • lab 11-03 => 可能适用于所有 illustrious 模型

• 权重建议：0.5 ~ 1，步数 > 20（避免产生太多异常结果）

• 高分辨率修复与 adetailer 并非必需

• 正面提示词与触发词可为：

  • lrfixme,

    • 这个词原本是为修复 Lab 10 图像而设的工具型 LoRA，所以我用了这种标记

  • sheer pantyhose,

  • sheer golden pantyhose,

  • sheer xxx pantyhose,

  • sheer bodystocking,

  • high detailed skin,

    • （未测试）似乎能略微提升细节？

• 负面提示词可为：

  • pantyhose band,

    • 个人偏好，仅作推荐

  • shiny, oily,

    • 如果你觉得太油亮

• 数据集已附上，你可以下载查看：

  • 训练数据集质量如何影响 LoRA，例如 11-01 与 11-02 之间的差异

lab 11-01（效果差，不推荐）

更新 #250519

思考（图表）—— 创建工具型 LoRA 以生成训练数据集

请务必检查文本：

• 关于标注：

  • 11-27 使用 xxx_word 格式（使用 _ 下划线作为分隔符）

  • 11-28 使用 xxx word 格式（使用空格作为分隔符）

• 发现：

  • 使用相同数据集图像时，11-28 比 11-27 效果更好

• 训练损失曲线如下：

更新 #250430

分享——如何利用工具型 LoRA 与 SD 改进其自身数据集图像

模型兼容性与应用范围

在深入之前，我想分享一个发现：基于 illustrious XL 0.1 基础模型训练的 LoRA，在各种 illustrious XL 衍生模型上表现非常优秀。但若在 illustrious XL 的后续分支模型上训练，适用性则相对较弱。例如，你可以对比另一个基于 janku v3 的版本 11-01（janku 似乎是通过 illustrious → rouwei → janku 演化而来）。

虽然尚未完全达到我希望它学习的全部感觉，但整体效果更自然了。

问题：为何要使用工具型 LoRA？

首先，为何考虑训练一个工具型 LoRA？

因为数据集是近期准备的（当时我并未太关注图像质量），需要提升质量。对于一个基本无艺术基础、仅懂用基础绘图软件做简单调整的人来说，该怎么做？

我想到使用 img2img 重绘来提升质量（如果这种方法有效，将优于纯手动调整图像质量）。

然而，当直接使用基础模型或其他模型时，我发现：若强度过高，数据集中所需特征会被稀释；若强度过低，则无法达到理想的优化效果。

经过多次实验，我发现通过某些处理技巧，即使仅用基础模型或之前有问题的 LoRA，也能有效提升图像质量。

但处理几张图像后，我感觉这种方法成本较高，因为 img2img 强度不能设得太高，需要投入更多精力进行额外调整才能看到明显效果。

于是我开始思考：如果我先改善一小批图像的质量，并用它们训练一个高质量的 LoRA，虽然这个 LoRA 在 txt2img 上可能表现平平，但在 img2img 上以低权重、低去噪强度使用时，却能可靠地辅助图像修改。

这就是整体思路。因此，我训练了这样一个“工具型 LoRA”。

以下是工具型 LoRA 修复后（0.x 强度）的效果示例：

首先，看看问题所在——这是原始图片，问题如下：

经过三次快速遮罩腿部（使用工具型 LoRA，强度 0.2 ~ 0.4）处理后，我们得到：

当然，如果特征对细微变化极为敏感（比如特定加湿器与通用类型、特定美女与通用类型之间的对比），这种方法可能不适用。

注意：以下图像处理我使用了免费在线工具 https://www.photopea.com/

技巧：使用遮罩控制 img2img 区域

1. 使用遮罩保护目标训练区域，然后对遮罩外区域应用 img2img 处理。这样可以保留我们想保留的内容，同时让表现良好的模型处理其他无关部分（无论是否使用工具型 LoRA，甚至开启 adetailer 都可以）。此时可以使用更高的强度。

2. 如果目标训练区域本身质量尚可、无需重绘，在应用上述方法后，请使用遮罩定义目标区域边缘，并用低强度工具型 LoRA 进行重绘，以获得更自然的细节过渡。

3. 如果目标区域需要调整，但不需要特别精细的图像处理，可直接用工具型 LoRA 对整张图进行低强度重绘（甚至无需选择区域 😂），再按需使用方法 1 和 2。

例如——（为避免内容过于成人，我们仅比较面部）

技巧：调整图像比例

根据以往训练经验，以下几点至关重要：

1. 尽量提供训练尺寸一致的图像

2. 可先在高分辨率下处理图像（保持与训练尺寸相同的比例），所有图像优化都在大尺寸模式下完成，避免频繁缩放

3. 处理完成后，统一使用无损方法缩小至训练尺寸，并记得放大查看，确保无颜色抖动（参考 lab_10 训练中的发现）

例如，将图像从 1024 × 1156 调整为 832 × 1216 比例：

首先适度朝目标方向调整，再调整至目标比例。两个过程均应使用极低强度（我使用 0.01），系统会自动填充新增区域。

然后，在绘图软件中移除问题部分，重新导入并使用遮罩重新调整受改动影响的区域。

技巧：使用“液化”工具进行结构形状调整

使用液化工具进行结构调整，例如腿部脚跟位置。你可能会发现某些区域过于“矩形”——脚跟应更圆润自然。

调整后获得更自然的形态，再让 img2img 进行微调完善。

技巧：细节调整

对于细节微调，如减少褶皱、避免过度高光，有三种有效方法：

• 颜色覆盖：先创建一个透明图层，然后用邻近颜色进行上色，记得降低画笔硬度和透明度

• 修复工具：对局部较平坦的区域有效，涂抹后算法会自动去除小褶皱或斑点

• 模糊与高光：可用于处理过度锐化的部位（如明显高光区域）；也可为需增强的区域添加低透明度亮度；可结合负面提示如“shiny, oily”控制 img2img 生成明显的油亮效果（有时油光会让画面显得廉价、塑料感强、缺乏细节）

以下是移除衣物接缝线的示例：让褶皱更自然（我们并非完全移除它们）…… 以免过于成人化

涂抹后，用低强度 img2img 平滑处理，获得更自然的效果。

更专业的工具配合高级画笔效果，还能实现更丰富的细节增强。

技巧：逻辑错误修正

例如，处理明显不自然的三趾脚：

首先快速用选择工具选中区域，然后进行定位和变换（可考虑使用液化工具进行推拉），最后用中低强度 img2img 重绘，使修改部分与整体自然融合。

技巧：选择区域管理与 Segment Anything

处理图像时，你可能需要多个边缘精确处理的选择区域。若使用 WebUI，你会发现其选择编辑功能相对简单，不利于精细控制，且一次仅支持一个选择区域，每次修改都要重新绘制，非常不便。

建议在图像编辑软件中精细编辑选择区域，使用图层保存多个预选区域（方便随时复用）。

此外，各种选择处理和反向处理方法都是极为有用的工具。

同时，使用 Segment Anything 可非常方便地获取“选择区域”。详情请参阅：https://github.com/continue-revolution/sd-webui-segment-anything?tab=readme-ov-file

更新 #250429

使用方法：

• 测试权重：0.5 ~ 0.7，步数 > 30（步数需稍高，否则某些生成结果中私密部位会出现异常渲染）

• 建议使用高分辨率修复（或高分辨率 img2img）

  • 可能不需要 adetailer

lab 11-01：在 Civitai 上训练

• 嗯…… 我还没有机会测试其生成结果，暂无更多评论。

• 优点。然而，整个工作流程是无缝的（从数据集准备到发布训练好的LoRA）。

• 缺点。我没有找到上传正则化图像集的方法？

• 缺点。无法查看随步骤变化的损失（例如tensorboard）。

• 缺点。训练尺寸为固定的正方形，如所述，你无法指定类似832 x 1216的尺寸。