Boring Reality

注意：请阅读以下内容以正确使用这些LoRA。单独使用或直接使用时，它们不太可能产生良好的效果。

该模型实际上是一组LoRA的集合，每个LoRA的行为略有不同，但协同工作以实现照片级真实感。它们采用了一些实验性技术，仅依赖少量肖像照片进行训练，以维持复杂的场景。未来的新版本在对该方法有更深入理解后，很可能会发生巨大变化。

目前，请遵循以下简短指南开始使用：

由于训练所用的人脸数量极少，生成的人脸质量会严重失真，且常共享相似特征（手部表现也会很差）。强烈建议使用强大的超分辨率工具（如MagnficAI）修复人脸，因为它还能均匀改善整个场景。单独使用面部优化工具（如ADetailer）可能会导致场景锐度异常。
这些LoRA主要与SDXL基础模型配合使用。使用其他SDXL模型可能导致场景复杂度降低（尽管可能略微改善人脸）。
每个LoRA版本都针对略有不同的场景进行了调优。BoringReality_primaryV3具有最通用的能力，其次是BoringReality_primaryV4。建议一开始同时使用多个LoRA版本，并以较低权重均匀分配，再逐步调整，以找出最适合你的组合。
目前，添加任何负面提示都可能破坏图像效果。同时，建议保持提示词尽量简短。
为了获得更佳效果，建议尝试使用带深度ControlNet的img2img方法。在Auto1111中，可将一张“风格图”放入img2img，并将去噪强度设为约0.90。“风格图”可以是任意图像，它将使生成图像的颜色和光照接近该风格图。再将另一张你喜欢的姿势/场景布局图（可以是你在text2img中生成的）作为控制图，并使用深度模型。控制强度应更偏向提示词。
避免使用过于简单的提示词，如“一个男人”，因为有时会产生奇怪的结果；但也要避免过长的描述，否则可能导致结果平淡无奇。

同时，建议从标准的DPM++ 2M Karras采样器开始，步数设为20-25，CFG值约为7.0。有时可适当提高CFG值以获得更锐利的效果，但也可能导致严重失真。

为了更全面地了解这些LoRA超越手机照片的通用能力，这里提供一段我此前为一个为期两天的AI电影比赛制作的AI视频——整个视频完全由这些LoRA生成的图像作为提示驱动。视频中的风格、时代背景和大象元素，与我原始训练所用的图像类型完全无关。请忽略其中无关的奇怪运动和剪辑效果。