SoloMix

원래 v1.5 베이스 모델을 기반으로 정확히 학습되고 생성된 대부분의 TI가 이 모델에서 우수한, 심지어 더 나은 복원 결과를 얻을 수 있습니다.

많은 LoRA도 이 체크포인트에서 우수한 결과를 얻을 수 있습니다. (제 제한된 테스트 경험에 따르면, chilloutmix 또는 그 파생 모델에서 학습된 일부 LoRA는 이 모델에서 잘 작동하지 않을 수 있습니다.)

저는 전문 모델 제작자가 아니며, 심지어 우수한 이미지 생성자조차 아닙니다.

이 시점에서 v1.5 기반의 혼합 모델을 병합한 이유는 오랫동안 TI 학습에 시도해왔기 때문입니다.

TI 학습 과정에서, 학습 자체 외에도 최종 체크포인트가 TI 성능에 큰 영향을 미친다는 것을 발견했습니다.

동아시아인 얼굴을 기반으로 TI를 학습하려고 할 때 큰 장애에 부딪혔습니다. 오랫동안 열심히 시도했지만, 이전에 유럽계 인물의 TI 학습에서 얻었던 성공을 재현하지 못했습니다.

당시 Civitai에서 동아시아 유명인 얼굴을 기반으로 학습된 TI를 찾아 정확히 캐릭터를 복원하는 것은 매우 어려웠습니다. 지금도 여전히 드문 일입니다.

이 체크포인트는 유럽계와 동아시아계 얼굴 모두에서 우수한 성능을 발휘합니다.

저는 SDXL 모델에서 캐릭터 TI를 성공적으로 학습하지 못했기 때문에 여전히 v1.5 버전에 머물러 있습니다. 향후 Cascade 또는 Stable Diffusion v3 버전에서 TI의 상황이 개선되길 바랍니다.

이 체크포인트의 성능이 당신에게 만족이나 놀라움을 준다면, 그 모든 것은 여기에 혼합된 다양한 체크포인트 덕분입니다. 예: ICBINP, epiCPhotoGasm, DreamShaper, RealCartoon-Realistic, The Truality Engine, Realistic Vision, Beautiful Realistic Asians... 이 모델들의 제작자들에게 감사드리며, 모든 공로는 그들에게 있습니다.

사용 방법상 특별히 주의할 점은 없습니다.

흥미로운 콘텐츠를 만드는 것은 노력이 필요한 일인데, 저는 이 점에서 잘하지 못합니다. 보통은 이에 대해 ChatGPT에 의존합니다.

부정 프롬프트도 TI만으로도 우수한 결과를 얻을 수 있습니다. 예: easynegative, FastNegativeV2, JuggernautNegative-neg, epiCPhoto-neg 등. 단독으로 사용하거나 혼합해 사용해도 괜찮습니다.

저는 예제에 사용된 긴 프롬프트 목록을 사용하는 데 익숙합니다.

이상입니다.

이 체크포인트를 테스트하면서, 제가 처음으로 스테이블 디퓨전을 발견했을 때의 즐거움이 다시 떠올랐습니다.

즐겁게 사용하시길 바랍니다!