UrangDiffusion v3.1

[v3.1 仍在进一步测试中，有关新发现的更新将在“关于此版本”部分公布]

UrangDiffusion v3.1（读作 oo-raw-ng Diffusion）是首个以 Animagine XL 4.0 为基底的 UrangDiffusion 版本。

“Urang”一词源自巽他语，意为“我们/我们的/我”。取这个名字的初衷是希望该模型不仅适用于我，也适用于更多人。另一个原因是，我大量使用了他人提供的资源（如训练脚本、数据集收集脚本等），将此模型称为“我的独家成果”是不公平的。

标准提示指南

• 提示指引：

  

• 默认负面提示：lowres, bad anatomy, bad hands, text, error, missing finger, extra digits, fewer digits, cropped, worst quality, low quality, low score, bad score, average score, signature, watermark, username, blurry

• 默认配置：使用 Euler a，步数约 25-30，CFG 值 5-7，ENSD 设为 31337。最佳效果约为 28 步和 CFG 6。

训练配置

微调自：Animagine XL 4.0 基础模型（非 4.0-Zero）

微调参数：

• 数据集大小：约 1,600 张图像

• GPU：1xA100 80GB

• 优化器：AdaFactor

• Unet 学习率：1.25e-6

• 文本编码器学习率：N/A（已关闭）

• 批次大小：48

• 梯度累积：1

• 预热步数：5%

• 最小 SNR：5

• 训练轮数：15

常见问题

• Q：图像有时有噪点。

• A：这是 Animagine XL 4.0 模型普遍存在的问题。基础模型仅训练了 10 轮，导致模型训练不足。与使用更多资源训练的 Initial N 或 Initial I 模型不同。

• Q：是否提供高分辨率修复模型？

• A：请查看封面图的元数据，其中包含相关信息。

• Q：Initial N/Initial I 模型更好。

• A：那就直接离开，不要使用这个模型。简单明了。无需宣布你的离开，除非你愿意提供建设性反馈或资助未来项目。

特别致谢

• 感谢 CagliostroLab 的同事们（？） 提供的见解与反馈。

• 感谢 Nur Hikari 和 Vanilla Latte 的质量把关。

• 感谢我的导师与 AI 生成图像领域的榜样 Linaqruf，以及标签排序的幕后作者。

许可证

UrangDiffusion v1.0-v2.5 遵循 Fair AI Public License 1.0-SD 许可证，而 v3.x 遵循 CreativeML OpenRAIL++-M 许可证。