如果你喜欢我的模型并希望支持我的创作，我总是需要一杯咖啡 :)

嘘……别告诉Tiron这个！

这是基于与我的2.1检查点相同数据 训练的新版LoRA。它们的行为差异非常大！ 如果你想要一个更贴近原作外观的高保真模型，原始版本更适合。而此版本虽然牺牲了部分原始模型的精细度，但保留了角色与概念，并显著提升了许多方面。我建议今后使用此版本。

请勿未经许可擅自重新发布或分享。如需合并模型或其他操作，欢迎自由尝试，但请务必事先征得许可再公开分享，也不可出售。同时，请勿对本模型进行任何不当或令人不适的使用，NSFW内容请自行保留（我并未以这种方式训练或测试本模型）。

请务必分享你的创作成果！

本LoRA基于《我们留下的遗产》的修复版镜头，使用1.5基础模型在768分辨率下训练。

此LoRA可与几乎所有基础模型叠加使用并进行调整，部分推荐模型请参考我的作品，尤其是以下这些（仍在测试中）：

• Dreamlike Photoreal — 根据我的经验，这是最贴近原剧/训练数据真实效果的模型

• Realistic Vision — 性能最灵活，角色逼真且具有戏剧感

• Cine Diffusion — 戏剧性、复古胶片质感，仿佛来自DS9电影

我不推荐的模型（仍在测试中）：

• ChilloutMix — 角色一致性差

你必须具备一定的提示工程能力，才能充分发挥此模型的潜力。我所有的图像成果均未使用图像修复（inpainting）、ControlNet等额外工具，也未经任何后期编辑。叠加这些技术将进一步提升效果。请查看我分享的结果，其中包含适用于各种场景的完整提示词与反向提示词。

与我的检查点版本相比，该版本的优缺点如下：

优点

• 极高的灵活性，可与其他任意模型叠加

• 角色呈现显著改善，所需提示词更少

• 适用于大多数分辨率，兼容性良好

• 可与其它1.5 LoRA、文本嵌入（TIs）等配合使用

缺点

• 原始风格整体统一性下降

• 在基础1.5模型上表现较差

• 不同生成结果差异可能极大

• 服装、背景等概念的连贯性降低

以下是我推荐的初始提示词。基于我为训练数据标注的方式（带*的为可选项）：

• sdn, a [closeup/medium/wide] view of [character or object], [species], [gender*], [expression*], wearing [Bajoran/Starfleet/Cardassian] [Operations/Science/Command/Security] uniform*, [lighting descriptors (diffuse glow/contrast lighting/etc.]*, [inside/outside], [location (operations/planet surface]*, [background (blurry/viewport/panel/etc.]* lora:diffusiondesign\_SDN\_LoRA\_1.12:1.0

请使用“sdn”作为初始关键词。虽然并非技术必需，但有时会过度强调训练中的外观，不过能更好保持角色与概念的一致性。

LoRA强度在0.25至1.0之间均可获得良好效果，具体取决于你的提示词。

使用“star trek”“ds9”或“screenshot”等词可进一步强化特定概念。

通用场景下CFG值7较为合适。若目标概念与原参考差异较大，可调高至更高值。有时画面会显得过于强烈和高对比，可将CFG降至5-6，以恢复部分原片的光影氛围。

反向提示词有助于整体提升生成图像的美学效果。我个人最常用的反向提示词组合如下：

• bad anatomy, bad proportions, blurry, cloned face, deformed, disfigured, duplicate, extra arms, extra fingers, extra limbs, extra legs, fused fingers, gross proportions, long neck, malformed limbs, missing arms, missing legs, mutated hands, mutation, mutilated, morbid, out of frame, poorly drawn hands, poorly drawn face, too many fingers, ugly

当然，有时你需要生成变形或丑化的图像，因此可根据需要调整。例如，“blurry”会削弱训练数据中原始的自然柔和感，因此可选。我常使用正向提示“diffuse glow”搭配反向提示“blurry”，以增强清晰度并保留柔光效果。

制服，特别是星际舰队制服，应明确定义关键词，如“Bajoran Security Uniform”和“Starfleet Command/Science/Operations Uniform”。星际舰队制服的颜色有时不准确，但可进行修补（inpainting）。我还建议加入轻微提示，如“red black and grey”等色彩描述。对于星际舰队制服，Worf的腰带偶尔会自行出现，若需避免，可在反向提示中加入“sash”。

通讯徽章与小徽章有时最适合通过图像修复生成。在LoRA生成中可能出现重复。这些徽章在LoRA中的表现也相对不可预测。

我最初训练时，所有物种（尤其是人类）的Bajoran鼻脊被过度强调。若发现此类特征过于频繁，可用“(bajoran:1.2)”作为反向提示词抑制。如需移除，图像修复通常很有效。

加入演员名（如Miles、Ezri、Nog、Leeta等）能极大强化角色表现，建议对几乎每个角色都这么做。

添加“beautiful”、“handsome”等词汇可使画面视觉效果更佳。

Bajorans

• 使用“vedic”可部分实现该外观，但会偏向现实中的“印度人”形象。使用“Indian”作为反向提示词可帮助缓解此问题。

• 尽管我训练并重新训练了Kai Winn，但生成时她几乎不会出现。

Cardassians

• 模型训练了Garak、Gul Dukat及其他卡达西人，但似乎难以“区分”他们，多数生成结果都与Dukat相似。

Changelings

• 需要多次重试才能获得正确外观。

Ferengi

• 尽管训练数据包含Quark、Rom、Nog、Ishka等，但模型似乎无法分辨其差异。演员名字至关重要。Nog生成效果最佳。

• 可在反向提示词中加入“uniform”以加强“Ferengi”服饰特征。

Humans

• Sisko是训练效果最好的角色。

• Keiko虽在训练集中出现，但几乎无法生成。

• Jake Sisko与Kasidy Yates均在训练集中，但只有加入“Penny Johnson Jerald”后Kasidy才表现良好。

Jem’Hadar

• 虽经训练，但仍不足。生成结果仅部分相似，难以准确呈现。

Klingons

• Worf生成效果极佳。其他角色则相对较差。

• 可用“sash”指令生成Worf的腰带，也可将其添加至其他角色。

• Worf的额头有时表现异常，但可通过图像修复轻松修正。他的鼻子也可能突然变红，原因不明。

Trill

• 皮肤斑点难以显现出效果。图像修复同样有难度，但尝试使用((leopard spots on skin))等提示词能有所帮助。

• Jadzia与Ezri均在训练集中，但需要演员名才能生动呈现。遗憾的是，演员名的同时也会降低斑点出现概率。斑点在LoRA中出现频率更高。

Vorta

• 我训练了多个Vorta，但模型总是生成皮肤浅色、黑发的人类，耳部也仅接近。需要更深入的训练，或更精准的提示工程。

其他物种

• 未训练Andorians、Benzites、Betazoids、Bolians、Orians、Vulcans、Romulans等物种。部分可通过其他嵌入或关键词在通用训练数据中实现一定程度的生成。