HiRes (Experimental)

该 LoRA 使用 AI-Toolkit 进行训练，采用高达 128 的秩，最终文件大小约为 1.3 GB。这一异常高的秩是故意选择的，以优先保证图像清晰度、纹理丰富性与精细细节保留，代价是模型体积增大。

---

训练策略

数据集采用双分辨率方法构建：

全幅图像（1024×1024）
原始高分辨率图像整体调整为 1024×1024，并标记触发词 h1r3s_image。这些样本侧重于全局构图、比例与整体真实感。

高分辨率图像块（1024×1024）
原始尺寸大于 1024×1024 的图像被分割为多个 1024×1024 的图像块，并标记为 h1r3s_detail。这些样本强调局部区域、微观纹理与精细视觉细节。

这种混合尺度的数据集使 LoRA 能够同时学习结构连贯性与高频细节。

---

使用方法

• 使用 h1r3s_image 生成完整构图与完整主体。

• 使用 h1r3s_detail 强化纹理、清晰度与微观细节。

• 推荐分辨率：1024×1024 和 1536×1536

• 最适合用于高分辨率输出。

---

备注 / 观察

该 LoRA 是一项实验性项目，旨在探索高秩训练与混合尺度数据集。

在某些情况下，该 LoRA 生成的图像可能比基础模型呈现略暖的色调，并显得更精致或经过后期处理。这并不代表整体真实感的显著降低，而是视觉风格的偏移。

由于对清晰度与微观细节的强烈侧重，输出图像通常具有极低的噪点，从而带来更干净的表面、更平滑的渐变与更高的像素保真度。虽然这可能减少了某些自然噪点（这些噪点有时有助于增强真实感），但也实现了异常锐利的细节与极少的伪影，尤其在高分辨率下表现突出。

这一权衡是刻意为之，旨在最大化图像清晰度与纹理质量。若用户希望进一步增强真实感，可酌情在后期处理中添加细微颗粒或噪点。

最终效果可能因提示词、采样器与种子而异，欢迎反馈与实验探索。