2D Gold Fish | High-Res Anime XL

该模型是Seele-NoobAI-SDXL v2.1的微调与LoRA合并版本。本模型与Seele均基于Noob 1.0 Vpred。

本模型的目标是生成高质量的二维平面动漫风格图像与背景。

本模型与其他模型的主要区别在于其原生支持高达2048x2048的图像生成。以上所有图像均为原生生成，未进行任何放大、后期编辑或内补绘制。

为何使用本模型？

• 它能生成真正的二维平面/动漫截图风格动漫图像
• 它能生成插画级别的背景
• 它能生成高达2048x2048的图像，无需放大（如果你不想放大）
• 基于Noob且为V-pred架构，因此你可获得Noob的所有知识与V-pred的优势
• Noob/Illustrious LoRA在大多数情况下有效（尚未测试太多）

它的缺点是什么？

手和脚的表现不稳定。当你在2048x2048或任何非推荐分辨率下生成图像时，错误出现的频率往往较高。由于模型偏向二维风格，部分画师和LoRA会受到影响。某些背景类型尤其不佳，例如城市和室内环境。

如何使用？

提示词格式遵循Seele的规范。请以Danbooru标签开头描述你的图像。在提示词末尾添加：

masterpiece,best quality,absurdres,highres,high resolution,

对于负面提示，你只需使用：

worst quality

以下是我认为有助于提升图像质量的若干负面提示建议：

bad perspective：有助于改善背景。

too many fingers,bad hands：这些与手相关的标签可帮助你在修正手部时给予更多关注。

ringed eyes：有时眼睛会生成瞳孔周围有环状结构。在负面提示中加入此标签可防止该问题。

flat color：由于训练数据的特性，二维风格可能过于简化。若你希望增强二维风格，可将此标签加入负面提示。

minimalism：与flat color类似，此标签也会强化二维风格，但效果更强。与flat color配合使用，可凸显训练数据中被主导的平面二维风格所掩盖的渐变效果。

如何为本模型编写提示？

这是一个基于V-pred Noob的模型。这意味着，如果你不明确提示，模型很可能不会生成你想要的内容。你必须非常严谨地使用Danbooru标签。相互矛盾或无意义的标签组合会导致不良结果。

这一点在背景生成中尤为明显。例如，仅提示“forest”并搭配一个像《犬夜叉》中的杀生丸这样的“qt 1girl”，背景生成效果会很差。这是因为“forest”这个标签过于宽泛。相反，应使用更具体的标签，如“tree,grass,rock,moss,leaf,tree shade”及其他与森林相关的术语。我们需要模型同时重视背景和你的“waifu”杀生丸！

参数设置：

采样器：Euler Ancestral CFG++ 或 Euler/Ancestral
调度器类型：DDIM
步数：48 [44-60]（步数过低会降低质量）
CFG Scale：1（用于CFG++）或 5（普通模式）
VAE：SDXL Anime VAE Dec-only B3（内置）

如需更多信息，请访问：https://civitai.com/articles/11427

推荐分辨率

1568x2048, 1408x2048, 1728x2048, 1024x2048

你还可以使用其他分辨率，但以上是我最常使用的。这些分辨率能最大程度减少手/脚的错误。当然，你也可以使用默认的XL分辨率（或其他），但如果你不利用其高分辨率优势，为何要使用本模型？

无需赘言，使用如此高分辨率并配合高步数会显著延长生成时间。我在5090显卡上生成一张1568x2048的图像大约需要25秒。你需要自行权衡图像质量与时间成本。

为何制作此模型？

我原本无意创建或发布另一个检查点。但在接触到Seele后，我开始产生兴趣。最初我尝试使用MeMax数据训练一个LoRA，效果不错，但背景质量太差。于是我使用Worldly数据训练了一个新的LoRA，但背景改善微乎其微。

这时我开始思考：为何我无法像调整角色风格那样显著改善背景？突然灵光一现——为何不直接微调模型本身？我从未做过真正的微调，但我觉得这与LoRA应该差别不大。

经过数日反复迭代，我最终完成了一个小型微调。我几乎使用了全部MeMax数据，并结合了Worldly和CoMix的背景素材。

结果……并不明显。

在困惑之后，我决定在微调模型基础上再训练新的LoRA——使用与MeMax和Worldly相同的素材。结果天差地别：不仅动漫风格大幅提升，背景质量也显著改善。

那一刻，我知道自己发现了一种“宝藏”。于是我开始了“烘焙”之路。通过这一过程，我对MeMax和Worldly的数据集进行了大量修改与优化。你所看到的成果，是数周训练、测试与失败的结晶。它并不完美，但我已无比欣喜能将它推进到如今的状态。

最后致谢

衷心感谢waw1w1制作了卓越的Seele模型。若没有它，我根本不会开始这个项目。本模型沿用其所有基础模型的许可协议，请负责任地使用。