RayVietii-A
詳細
ファイルをダウンロード
モデル説明
以下リンクから私のPixAIプロフィールにアップロードされたモデルを使用することで、PixAIユーザーはこのモデルを利用できます：
https://pixai.art/@rayvietii/artworks/models
🌟 このモデルは私のInstagramアートワークを基にしています：https://www.instagram.com/ray_vietii（「アートスタイル」をご覧ください）
このモデルは形状や手の描写にやや課題がありますが、これは私のオリジナルです。スタイル転送は完璧です。今後、時間とともに改善していきます。ネガティブプロンプトにnoise backgroundを追加してみてください。
推論パラメータ：
ステップ：少なくとも8
CFG：推奨は5
サンプラー：Euler、Euler a、DDIMを推奨
ネガティブプロンプト（オプション）：noise background
試してみてください！https://pixai.art/model/1910312952549111802
🤔 少し振り返って。
DRmは文字通り私の実験対象であり、SD1.5アーキテクチャ、そして一般にSDに慣れるための導入でした。DRmはこの旅の基盤です。
一方、Papermaeは「私のアートスタイル」モデルであると想定されていましたが、失敗しました。
より技術的な内容に興味のある方へ、以下の情報が参考になれば幸いです。
このモデルにはノイズスケジューラーが組み込まれており、HSC（Hard-Skip Clamping）と呼びます。これはフォワードプロセス専用のノイズスケジューラーで、私が提案したHSCはDDPMに類似したものです。しかし、HSCはxTにおいて100％純粋なノイズではなく、約90％までノイズを加え、元のシグナルの10％を保持します。HSCのアナロジーは、DDPMがMin-SNR-gammaと不倫しているようなものです。4ステップでの品質は最高とは言えず、「この低ステップ数でも一貫性のある画像を生成できる」という主張に過ぎません。良質な画像を得るには、最低8ステップ以上の使用を推奨します。
使用したトレーニングパラメータ：
繰り返し回数：15
エポック：10
UNet学習率：1.6e-4
テキストエンコーダー学習率：6e-5
学習率スケジューラ：4回リスタート付きコサイン
学習率ウォームアップ：0
Min-SNR-gamma：0（ごめんよ、T Hangさんたち、がっかりさせた🤣🙏）
ネットワーク次元とアルファの比率：1:1（つまりalpha = dim）
=======================
ノイズスケジューラ設定：
β start = 0.0003
β end = 0.006016
t = 800
Clip Skip = 1
=======================
その他：
データセット画像数：25
スタイル正則化数：4
最小バケット解像度：128
最大バケット解像度：4095
Clip Skip：2
標準的なHoの推奨（β start=0.0001、β end=0.002、t=1000）では、xT=600付近で非常に高いノイズに達し、残り400ステップはほぼ純粋なノイズで、元の信号は5%未満となります。
「それならなぜt=600にしないの？」と疑問に思うかもしれません。しかし、それはまだデノイジング（ノイズを推測する）方法を学習する必要があります。私のβ endは非常に特異的に設定しており、xT=780で完全なノイズに達し、残り20ステップが「推測」の部分となります。
私はis_reg、すなわちスタイル正則化を利用してスタイルを強化しています。
v
私のトレーニングラッパーワークスクリプトには、サブフォルダを利用したカスタムパラメータがあります。これを「style」と呼び、style = num_repeat * multiplierと定義します。以下はその例です：
左から：
- style: 0.25
- style: 0.5
- style: 1.0
- style: 2.0
スタイルの観点から見ると、すべての4つの設定がスタイルを捉えているように見えますが、さまざまなプロンプトで多数のテストを実施した結果、2.0が一般に最も優れていると結論づけました。