Glitch Effect

此LoRA可为您的图像添加并增强数字故障效果，但您需要在提示词中加入一些关键词。尽管它经过了触发词的训练，但当您在提示中添加更多描述性短语时，效果会得到更好的控制，例如：数字故障、故障效果、像素排序、数据流、数字噪点、色差等。触发词为gl1tch，它也能起到一定作用，但完全可选。

建议模型强度： 0.9
可用模型强度范围： 0.1 - 1.2
建议采样器/调度器： ddim / beta（或 euler / normal 或 beta）

Z-Image Turbo 本身在不使用LoRA的情况下也会为图像添加一些轻微的故障效果，但效果非常微弱。Z-Image 模型本身极力抑制失真与噪点，因此如果您希望获得显著且一致的故障效果，您需要使用此LoRA。这个LoRA的训练并不容易，我是在其第五代训练后才决定分享。最终训练损失为0.3032，刚好在过拟合危险区之前。我所包含的保存点前一个版本损失为0.348，两者差距极小，但技术上0.3032更优。

理论上，您可以将模型强度调至1.2使用此LoRA，但会开始削弱主体细节。肤色不会被严重破坏，也不会出现奇怪的伪影……至少不会频繁或出现重大问题，毕竟这种风格本就是添加失真，因此一些不完美会被部分掩盖。通常建议将模型强度设为0.9左右，1.0也经常完全适用，但我总是倾向于降低Z-Image LoRA的强度。不过，您完全可以通过此LoRA精细调节故障强度，建议尝试不同数值：在0.1时几乎看不到明显效果，但与不使用LoRA相比仍可区分。

对于我建议的采样器/调度器，我通常偏好使用ddim配合kl_optimal，但对这个LoRA来说，它有时过强。使用ddim配合beta调度器通常效果更好，这与euler采样器配合normal调度器非常相似。我建议避免使用euler ancestral与该LoRA搭配，但该组合也能奏效。