【Clothes】芙宁娜 | Furina Costume (Genshin Impact)

트리거 단어: 탑햇, 햇ぼう, 애스콧, 장갑, 보석, 파란 보석, 파란 재킷, 흰 조끼, 흰 반바지

기타: 코어테일, 부츠, (허벅지 스트랩:0.9), 측면에서, 뒤에서, 흰 장갑, 검은 장갑 ...

예시: 1girl, solo, 분홍 헤어, 긴 헤어, 프랑스 땋은 머리, 플리트, 헤어 보우, 노란 눈, 애스콧, 탑햇, 장갑, 햇ぼう, 파란 보우, 보석, 파란 보석, 파란 재킷, 코어테일, 흰 조끼, 흰 반바지, 부츠, (허벅지 스트랩:0.9)

대부분의 인물 특성 영향은 제거되었으나, 일부는 여전히 모델에 존재합니다.

프롬프트 단어를 설정하지 않으면 흰 장갑과 검은 장갑이 무작위로 나타날 수 있으며, 이 불안정성은 대부분 학습 데이터셋과 관련이 있습니다. 다른 색의 장갑을 원하면 명시적으로 'black glove'와 'white glove'를 추가하세요(그러나 여전히 랜덤 확률이 존재합니다).

색상이 다른 머리카락(트리밍)이 나타날 확률이 있으므로, 결과 이미지를 생성할 때 인물 특성을 가능한 한 자세히 설명하거나 부정 프롬프트에 'streaked hair'와 'hair intakes'를 포함하세요.

앞면에 대한 적합성만 테스트했으며, 뒷면과 측면의 학습 스텝이 적어 심각한 underfitting이 발생했습니다. 이는 AI 관점에서 동일한 물체의 다른 시각이 하나의 사물인지, 아니면 두 개의 별개의 사물인지 확인하기 위한 목적입니다.

————————————

이 방법을 437장의 대규모 학습 데이터셋에 적용해 학습 데이터 품질 요구 사항을 검증해 보았습니다. 결과는 그리 좋지 않았지만, 실험용으로는 적절한 수준이었으므로 우선 업로드합니다.

또한, 의상 개념 학습 시, lion이 prodigy보다 스타일 삭제 능력이 더 우수함을 확인했습니다. 따라서 명확한 학습 목표가 있다면, 여전히 lion 사용이 최선의 선택이라고 생각합니다.

제 결론은: 학습 데이터셋의 양을 늘리는 것보다, 학습 데이터셋의 태그와 이미지 품질을 개선하는 것이 가장 우선순위가 높습니다. 또한, 학습 난이도가 다른 모델은 학습 데이터셋 이미지 수에 대한 요구가 다르며, 현재 저는 학습 데이터셋 최대량을 예측할 수 있는 좋은 방법을 가지고 있지 않습니다.

이 버전은 아직 결함이 있으며, 향후 학습 데이터셋 품질을 간소화할 가능성이 있습니다.