Kontext Multi-Input Edit - ControlNets and More

该模型的目的是允许使用多个输入图像但仅生成一个输出图像。其工作方式类似于 Qwen 图像编辑，但适用于 Kontext。它使用关键词 “image1” 和 “image2” 来引用输入。

以下是来自训练数据的一些示例，帮助您理解提示词的编写方式：

示例 1：

输入：

提示：

将 image1 中的人移动到 image2 中的姿势：挺直站立，双脚与髋同宽，双手在身前交叠，头部微向左偏，保持相同的中性照明和米色运动休闲装。

输出：

示例 2：

输入：

提示：

将 image2 中的人移动到 image1 的 OpenPose 所捕捉的流畅倾倒瞬间：裁切至腰部以上，身体略微左倾，将方形酒瓶举高过玻璃杯，使金色酒液倾泻而下，目光专注地追随酒液。保留他的磨砂墨镜、精心打理的胡须、剪裁合体的黑色背心与领带、银色手表、浓郁的威士忌色调，以及具有戏剧感的单向studio灯光，创造出一张清晰的肖像，使其双臂的优雅动作与 image1 的 OpenPose 完全吻合。

输出：

示例 3：

输入：

提示：

image1 中穿米白色西装和粉色针织领带的男人，保持相同的石墙背景、照明和构图，但采用 image2 中展示的欢快双臂上举姿势：手掌打开，与头部齐平，手指张开，保留 image1 中的精准微笑、服装、背景及配色方案。

输出：

说明：

输入图像应拼接在一起：若为竖图，则并排排列；若为横图，则上下排列。对于方形图像，模型训练时已支持两种方式。

以下是我使用的流程截图，供您参考输入格式：

该模型主要在人物图像上进行训练，但也应能处理多种主题。它学习了 Canny、Depth 和 OpenPose 三种 ControlNet 控制方式，同时也训练了无需 ControlNet 的图像编辑功能，例如角色互换、背景替换、姿势直接迁移等。

我发现 Depth 效果最佳，OpenPose 通常表现良好，但 Canny 的效果稍弱，我计划在后续版本中改进。

该 LoRA 仍处于欠训练状态，我正在构建更优的数据集，以便以更高步数重新训练。在此期间，非常感谢您提供任何反馈意见。