ReDefine-Experimental

注意：“实验性”意味着实验性。

版本 0.31

基础模型已从纯NAI2更改为合并模型。NAI2对提示的响应行为与通用SD1.5模型有很大不同。此举略微缩小了差距，同时也使得处理之前模型难以应对的提示成为可能。然而，仍存在一些完全难以处理的提示，因此它并非万能模型。

●采样器

推荐使用Euler a，但部分示例图像使用了Restart.lab采样器。最初，我寻找一种方法以使用Kohaku_lonyu_yog，因为在Blackwell上无法在A1111中使用它，因此引入了此方案。这是一种在采样步骤中间添加噪声并重新处理的采样器，它首先使用t2i正常渲染，然后从中间开始重复使用i2i生成。它并非无条件改善图像，但由于重启条件可任意设定，我认为值得引入。此外，使用Restart.lab采样器时，可以使用Euler a和Kohaku_LoNyu_Yog等算法设置重启。

https://yukitoki.blogspot.com/2023/12/webui-1111restartlabstable-diffusion.html

●输出分辨率

此次，我重新回到仅使用低分辨率512x768像素。这是因为输出速度快，缺陷更容易观察。从根本上说，ReDef系列追求的高分辨率与数据的定义相关，并非旨在输出大尺寸图像，而是包含更详细的信息。若选择大尺寸图像，将无法利用大部分数据所基于的512x512像素的学习内容，构图往往也会受限。在NAI2系列中，1024像素曾作为演示输出，但并不实用，因此将被弃用。

●质量提示

由于没有替代方案，我基于NAI2示例使用质量提示生成样本图像。然而，这有时会导致图像破裂。若提示对多人无效等情况，请调整质量提示。在图像严重崩溃的情况下，削弱质量提示常可解决问题。

版本 0.3（基于NAI2）

我曾为ReDef系列的第三个版本制作了多个原型，但每次都在发布前匆忙修改方向并重新开始。本次版本基于NovelAI v2，仅使用NAI2作为ckpt。

所有样本均为1024x1536像素（非HiRes.Fix），使用Euler a采样器输出20步，CFG比例为7。

ReDef系列原本旨在实现高分辨率输出。用于附加数据的LoRA最大尺寸约为1280像素，因此先前模型仅能支持至约640x960。由于基础模型不支持1024x1536，必须准备更多数据。

由于NAI2基于1024分辨率，本次仅使用NAI2进行尝试。当前完成度不高，数据仍显不足，但已确认其可作为基础模型使用。

存在的问题：

• 无法与LCM正常配合确认
• 质量提示是必需的

我个人不太喜欢，但总体而言，大多数人不会有问题（我以NAI2样本为参考，详情请见样本）。

NAI2的提示忠实度较低。未来需基于与现有模型的融合。手指和身体稳定性是永恒的问题。

---

版本 0.21SR

这是0.2版本的改进版，将常用（且有一定效果）的提示和所谓的负向嵌入（TI）合并入模型（二者作用相同）。

●提示合并

将提示转换为TI并合并入模型。本次仅包含正向提示，但负向提示也可用相同方式处理。对于大量使用装饰性质量提示的用户意义不大，但能提升简单提示的表达真实感。

●负向嵌入合并

TI的使用并不总是有效，此处我整合了相对无害的FastNegativeV2。我们也尝试过BadHand或UnrealDream等，但个人感觉效果并不理想。

这些略微提升了身体稳定性，尽管手指改善较细微，但有时能生成明显优美的手部。大脸型有所改善，但中远距离的面部表情未变或略有恶化，提示忠实度略有下降。总体而言，虽然图像更稳定，但更容易出现呆板、静止等乏味画面。

本次仅合并了±1.0，但通过调整似乎能更有效地使用。提示的“烧入”效果明显强于LECO和iLECO的概念强化（概念擦除尚未验证），未来我计划以基于概念的LoRA组替代它。

与先前样本一样，使用LCM LoRA进行7步低分辨率输出。

---

版本 0.2SR

这是一个半写实测试模型。与0.1版本不同，它基于多个模型的合并。许多组件与0.1版本相同，但结构更简单。新增元素中，仅有一种正在实际验证。两种新素材因未达到预期效果而未采纳，我将重新调整。

输出方式与前一版本相同，使用LCM LoRA进行7步（或8步）低分辨率输出。身体结构、手指及中距离面部稳定性不如0.1版本。此外，有时会出现过多NSFW元素。存在一些调整失误，这归因于增加了真人身体结构强化素材，而全身服装相关的素材则严重不足。

---

版本 0.1

这是近期我进行实验的一个模型示例。

所有样本均为7步低分辨率输出，使用LCM。

你也许会问，我是否仍在开发SD1.5？答案是肯定的，我仍在不断发现新可能。尽管格式存在局限，但可能性仍在扩展。

然而，即使推进到元素级别，仅靠合并也有其局限，而完整微调成本高昂，况且现在正值夏季。因此，本次实验的目的，是通过LoRA的额外学习，重新定义SD1.5中的人体结构。

本次模型展示了我所创建LoRA的测试过程，但并非最终版本。测试基于RM01等模型，并验证了新LoRA的效果。

除使图像变“可爱”的LoRA（本测试主题之一）外，我对面部或整体色彩几乎未做调整。仅因背景意外偏离，添加了少量BGEnhace，其余唯一操作是使用辅助LoRA将RM01图像转为动漫风格。

身体结构有时会严重崩溃。尽管本项目主要聚焦于改善手指，但积极学习困难角度也带来了若干负面效应。目前似乎仍缺乏足够的学习素材。

虽然男性形象并非完全不会出现，但预期中不应显示男性。无论场景是风景还是其他，女性形象总是会出现。

本次使用了约4000张图像。与完整微调相比，图像数量较少，但其中许多显示元素均为新学习内容。我可称其为“训练模型”，因此已在相应平台注册。此外，我还收集了数万张使用EtudeFT等工具的图像，计划对其进行分类、转换为LoRA、调整并整合至基础模型。本次我使用通用的RM01作为基础模型，同时也在为不同用途（如动漫绘图、照片）原型化专用的基础模型。

许多LoRA是以DoLAs（LyCORIS）形式创建的，本次我在准确合并LyCORIS时遇到较大困难。最终，我进行了11次拆分与合并，获得了相似结果。由于合并次数过多，图像细节也出现了一定退化。