CompositionFactor (Experimental)
详情
下载文件
模型描述
这是一个非常实验性的LoRA尝试，旨在改善输出图像的构图。我创建它是为了验证这是否可行。
换句话说，构图的好坏取决于模型本身。如果混合了太多模型，特征可能会被平均化，最终导致构图变得枯燥。因此，最初的思路是选取一个构图良好的模型，并从中学习一个在U-Net中对大面积区域具有显著影响的层。
然而，当我实际尝试时，发现效果因所应用的模型而有巨大差异。在某些情况下，LoRA带来的变化是有效的，但在其他情况下，效果微乎其微，甚至适得其反。如果模型本身已有良好的构图，这个LoRA反而会起到干扰作用。LoRA似乎效果有限，因为它缺乏能在构图上起作用的层级。我也尝试过概念性操控，但问题是模型并未真正理解“良好构图”的含义。即使基于概念进行操作，也会有一些变化，但构图并不会显著改变。或许可以通过提示词来生成特定构图，但要生成普遍良好的构图，必须在模型训练阶段就进行准备（这对使用i2i或control.net的人而言无关紧要）。
这是一个非常实验性的LoRA尝试，旨在改善输出图像的构图。我创建它是为了验证这是否可行。
换句话说，构图的好坏取决于模型本身。如果混合了太多模型，特征可能会被平均化，最终导致构图变得枯燥。因此，最初的思路是选取一个构图良好的模型，并从中学习一个在U-Net中对大面积区域具有显著影响的层。
然而，当我实际尝试时，发现效果因所应用的模型而有巨大差异。在某些情况下，LoRA带来的变化是有效的，但在其他情况下，效果微乎其微，甚至适得其反。如果模型本身已有良好的构图，这个LoRA反而会起到干扰作用。LoRA似乎效果有限，因为它缺乏能在构图上起作用的层级。我也尝试过概念性操控，但问题是模型并未真正理解“良好构图”的含义。即使基于概念进行操作，也会有一些变化，但构图并不会显著改变。或许可以通过提示词来生成特定构图，但要生成普遍良好的构图，必须在模型训练阶段就进行准备（这对使用i2i或control.net的人而言无关紧要）。
不过，通过调整这些层级，确实能产生一定影响。我放弃了“生成良好构图”这一最大难题，转而将其重新设计为一种向决定构图的层级引入扰动的LoRA。使用这个LoRA并不一定会改善构图，它的目的不是创造更好的构图，而是创造出与以往不同的构图。从常理来看这可能显得疯狂，但如果1不起作用，你可以试试-1。
由于它影响构图，因此会对整张图像产生作用。虽然对人物特征的影响被抑制了，但对体型等方面仍有一定影响。对于人物特写等构图几乎无效。在LoRA中，对图像大面积区域的影响太弱。在风景图等人物尺寸较小或中等的情况下，效果会稍好一些。不同模型可能拥有相似的数据，导致影响被削弱。此外，它不只是改变构图，还会改变许多其他方面。
从实际应用角度来说，比起使用这类工具，调整种子值对整张图像的影响更为可靠。因此，若想彻底改变构图，建议优先调整种子值。然而，对于那些即使更换种子也难以改变构图的模型，这类工具或许会有所帮助。
原始图
LoRA: 1.0
LoRA: -1.0
LoRA: 1.3
目前，作为验证其有效性的测试版本，扰动元素是从随机选择的模型中构建的。我并不指望它能产生实际应用价值。当前挑战包括进一步降低对色彩和人物特征的影响，以及更彻底地限制层级范围。
LoRA: 0.0，其他种子示例
另一个模型示例
原始图
LoRA: 0.5
LoRA: 1.0
LoRA: -0.5
LoRA: -1.0
可以观察到，提高LoRA强度（针对此模型）会增加构图的多样性。若设为负值，构图则趋于单调。同时，正值方向倾向于使面部特征呈现亚洲风格，负值方向则更偏向欧洲风格；正值提高色彩饱和度，负值则使色彩显得褪色。