Deep Negative V1.x
详情
下载文件
关于此版本
模型描述
这个嵌入模型将告诉您什么是 真正令人作呕的 🤢🤮
所以请将其放入 负向提示（negative prompt） 中 😜
⚠ 该模型未针对 SDXL 进行训练，若在 SDXL 中使用可能会导致不良结果。
如果使用 SDXL，推荐以下版本：
另一个深度负向模型：
小马版：/model/831971
SDXL 版本：/model/407448
常见问题解答（TOP Q&A）
- 如何使用 TI 模型？
https://github.com/AUTOMATIC1111/stable-diffusion-webui/wiki/Textual-Inversion
- 什么是负向提示？
https://github.com/AUTOMATIC1111/stable-diffusion-webui/wiki/Negative-prompt
[特别提醒] 若您的 WebUI 报出以下错误：
- CUDA: CUDA error: device-side assert triggered
- Assertion -sizes[i] <= index && index < sizes[i] && "index out of bounds" failed
- XXX object has no attribute 'text_cond'
请尝试换用非 75T 的模型版本。
> 原因在于，许多脚本无法正确处理过长的负向提示词（超过 75 个 token），选择更短 token 的版本可改善此问题。
[更新：230120] 它的作用是什么？
这些嵌入模型学习了什么是令人作呕的构图与色彩模式，包括错误的人体解剖结构、令人反感的配色方案、倒置的空间结构等。将其放入负向提示，能有效避免这些情况。
-
什么是 2T、4T、16T、32T？
每个 token 对应的向量数量
[更新：230120] 什么是 64T 和 75T？
64T：在混合数据集上训练超过 30,000 步。
75T：嵌入的最高尺寸限制，使用特殊数据集进行 10,000 步训练（该数据集由多个不同 SD 模型生成并通过特殊反向处理构建）
应该选择哪一个？
75T：最“易用”的嵌入模型，使用特殊方式构建的精准数据集训练，几乎 无副作用。其包含的信息量足够覆盖多种使用场景。但对部分“训练良好”的模型可能效果较弱，调整也较微妙，不够剧烈。
64T：适用于所有模型，但存在副作用，因此需进行一些调参以找到最佳权重。推荐：[( NG_DeepNegative_V1_64T :0.9) :0.1]
32T：有用，但过于冗余
16T：降低绘制错误解剖结构的概率，但可能导致人脸看起来丑陋。适合提升 架构 层面。
4T：降低绘制错误解剖结构的概率，但对光影效果影响较小
2T：与 75T 一样“易用”，但效果稍弱
建议
由于此嵌入模型学习的是如何构建 令人作呕的概念，它无法精准提升图像质量，因此建议搭配（低质量、极低质量、logo、文字、水印、用户名）等负向提示使用。
当然，也可与其他类似负向嵌入模型组合使用，完全无冲突。
更多示例与测试
人像（搭配 PureErosFace）：https://imgur.com/1Lqq595 https://imgur.com/V5kXBXz
身体融合修复：
它的工作原理是什么？
我尝试通过 DeepDream 算法让 SD 模型学习“真正令人作呕”的内容，数据集为 ImageNet-mini（从数据集中随机选取 1000 张图片再次构建）
DeepDream 本身 极其 令人作呕 🤮，而训练该模型的过程也让我亲身经历了生理不适 😂