IpAdapter의 각 weight_type을 테스트하는 목적의 워크플로우.

이 워크플로우를 통해 IpAdapter의 weight_type 옵션들을 한눈에 비교할 수 있으며, 사용 목적에 따라 가장 적합한 선택을 판단할 수 있습니다.

제 작업을 즐기셨다면, 좋아요를 눌러주시고, 댓글을 남기거나 저를 지원해 주세요. 정말 감사하겠습니다! 저에게 커피 한 잔 사주기

각 IpAdapter 옵션에 대한 간략한 설명:

weight_type – 임베딩이 시간 또는 공간을 따라 적용되는 방식의 프로필을 정의합니다:

• linear: 가중치를 일정하고 선형적으로 적용합니다.

• ease in: 약하게 시작하여 점차 가중치의 강도를 높입니다.

• ease out: 강하게 시작하여 시간이 지남에 따라 부드럽게 약화됩니다.

• ease in-out: 시작과 끝 모두에서 부드러운 전환을 제공합니다.

• reverse in-out: ease in-out의 반대로, 중간 부분에 강조를 둡니다.

• weak input: 시작 시 강도를 낮게 적용합니다.

• weak output: 끝부분에 강도를 낮게 적용합니다.

• weak middle: 과정의 중간부분에서 강도가 낮습니다.

• strong middle: 중간부분에서 강도가 높고, 양 끝부분에서는 낮습니다.

• style transfer: 원본 이미지의 스타일을 보존하며 부드럽고 점진적인 강조를 적용합니다.

• composition: 다양한 임베딩을 균형 있게 혼합하고, 조화로운 전환을 시도합니다.

• strong style transfer: 참조 이미지의 스타일 임베딩을 강하게 적용합니다.

embeds_scaling – 임베딩이 어텐션 메커니즘에 통합되는 방식을 정의합니다:

• V only: 크로스 어텐션에서 값 벡터(V)만 사용합니다. 덜 침투적입니다.

• K+V: 키(K)와 값(V) 모두를 사용합니다. 결과에 더 큰 영향을 미칩니다.

• K_V w/ C penalty: K+V와 동일하나, 일관성 페널티(C)를 적용하여 왜곡을 방지합니다.

• K+mean(V) w/ C penalty: K와 V의 평균을 사용하며, 일관성 페널티를 적용합니다. 부드러움과 제어의 균형을 제공합니다.

combine embeddings – 여러 임베딩을 병합하는 방법:

• concat: 직접 연결 — 특징 차원을 따라 임베딩을 결합하여 총 크기를 증가시킵니다. 개별 정보를 모두 보존합니다.

• add: 요소별 덧셈 — 벡터의 대응되는 값을 합산합니다. 표현을 직접적으로 혼합합니다.

• subtract: 임베딩 뺄셈 — 그 차이점을 강조하는 데 유용합니다(예: 스타일 A - 스타일 B). 독특한 시각적 변화를 유발할 수 있습니다.

• average: 단순 평균 — 임베딩을 부드럽게 하여 균형 잡힌 혼합을 생성합니다. 왜곡에 덜 취약합니다.

• norm average: 정규화된 평균 — average와 동일한 개념이지만, 결합 전에 벡터를 정규화하여 크기를 일관되게 유지합니다. 서로 다른 강도를 가진 임베딩이 혼합을 지배하는 것을 방지합니다.