AnythingQingMix

_Qing__Qing_
2.1K
13.5K
애니메이션femalegaybarastyleyaoi여성girlsmalemanmen사실적womenboys
v3.0v2.0v1.0

세부 정보

파일 다운로드

모델 설명

이 모델을 모든 상업적 및 불법 행위에 사용하지 마세요. 무단 게시를 금지하며, 오직 성과 공유 목적으로만 사용하세요. 위반 시 책임은 사용자에게 있습니다!

(제 QQ 그룹: 235392155, LoRA 대행 및 CKPT 융합 조정은 제 QQ: 2402799912로 문의하세요)

저는 국내 플랫폼 tusi.art 및 liblibai.com에도 이 모델을 업로드했습니다. 각 플랫폼의 창작 인센티브 정책이 다르므로 많은 관심과 지원 부탁드립니다! (이 모델의 예시 이미지 일부를 공개할 예정입니다)

【산야】https://m.tb.cn/h.5V7ITvv?tk=eY01dB4UcnH

이것은 제 ‘애드폰’ 페이지입니다. 전기세라도 보태주세요 Q.Q, 지원해 주셔서 감사합니다~

https://afdian.net/a/Qing

일. 모델 특징 개요

V3:

일. 업데이트 내용:

  1. MBW 플러그인을 사용해 basil mix의 일부 입력층 및 중간층을 포괄적 실험을 통해 융합

  2. MBW 플러그인을 사용해 매우 낮은 가중치로 일부 모델의 출력층을 포괄적 실험을 통해 융합

이. 업데이트 효과:

  1. 태그 정확도 향상

  2. 채도 향상, 화면의 실제적 질감 강화

  3. 조명 및 그림자 효과 향상

  4. 신체 구조 정확도 향상

  5. 캐릭터 LoRA 재현도 향상

삼. 주의사항

  1. 과도한 채도를 방지하기 위해 VAE로 animevae 사용을 권장합니다. 갤러리 예시 이미지는 각각 이 VAE와 84000을 사용한 결과입니다.

  2. 태그 정확도 향상은 태그 작성 요구사항을 더 높이기 때문에, V3가 어렵다면 V2 또는 V1 버전을 시도해 보세요.

V2:

(성숙한 근육 남성 캐릭터만 선호하거나 더 간단한 사용을 원한다면 V1 버전을 추천합니다.)

일. 업데이트 내용:

  1. NovelAI 원본 VAE를 모델 내 VAE로 교체

  2. CKPT 내 CLIP 모델을 포괄적 실험을 통해 교체

  3. V1의 LoRA 미융합 버전과 융합

이. 업데이트 효과:

  1. 태그 정확도 향상

  2. 구도 품질 향상

  3. LoRA 융합으로 인한 이미지 고정 현상 완화

  4. 일부 태그에 대한 과도한 가중치 완화

V1:

  1. 일반화형 융합 모델로, 다양한 스타일의 태그 생성이 가능하며, 높은 이미지 생성 하한선과 태그 정확도를 보유하고 있으며, 반영 이미지 영역에서 그 독보적인 능력을 확인할 수 있습니다^v^

  2. 인체 구성 능력이 매우 우수하며, 지금까지 신체 부위 파괴 현상이 없었고, 손과 발의 파괴 확률이 매우 낮음

  3. 얼굴 영향을 의도적으로 피하여 융합했기 때문에 얼굴이 고정되지 않아 캐릭터 LoRA와 매우 잘 어울림

  4. CLIP 편향 문제 없음

  5. UNet이 과적합되어 일부 태그가 제대로 작동하지 않는 문제 존재

이. 이미지 생성 추천

(자세한 파라미터는 커버 이미지를 참고하세요. 다른 VAE는 서로 다른 효과를 내며, 저는 Face Editor 플러그인을 자주 사용합니다.)

  1. 상당 부분 실사 모델을 융합했기 때문에, 실사 베이스 모델과 유사한 파라미터를 시도해보세요. 하지만 얼굴 복원 기능은 절대 사용하지 마세요.

  2. 이미지 생성 시 품질 단어를 추가하면 효과가 있습니다. 더 사실적이고 입체적인 결과를 원한다면, 리얼리즘 및 조명 관련 태그를 활용하세요.

  3. 동일한 태그로 CLIP 건너뛰기 레이어를 1과 2로 변경해 실제 출력 결과를 비교해보세요.

  4. 정사각형, 세로, 가로 이미지 모두 우수한 표현력을 보이며, 캔버스 크기는 자유롭게 조정 가능합니다.

  5. 고해상도 복원 기능을 사용해 보세요. 얼굴 복원 기능은 추천하지 않습니다.

  6. 좋아요, 반영 이미지, 댓글, 5성 평가를 많이 부탁드립니다~

삼. 융합에 사용된 모델

(정확한 모델은 확신할 수 없으며 참고용으로만 제공합니다)

VAE: orangemixa3.vae.pt

LoRA: (총 가중치: 0.3)

CKPT:

네 번째: 방문자에게 모델 사용에 대한 몇 가지 권장 사항 및 답변

(아래에 영어 번역 제공)

(비전문가로서 미술 및 AI 전공 교육을 경험하지는 않았지만, 끊임없이 학습하고 탐구하며 다양한 전문가들과 경험을 교류하고 있습니다. 저는 제가 중요하게 여기는 일에 매우 엄격한 정신적 청결함을 가지고 있기 때문에, 제 영역 안에서 올바른 AI 지식을 전달하고자 합니다. 아래 문서에 모두 기록되어 있으며, 여기서는 특정 문제에 대한 개별 답변만 제공합니다.)

1. LoRA

  • 애니메이션 캐릭터 LoRA의 경우, 가장 좋은 가중치는 1입니다. 가중치를 조정함으로써 피팅을 개선할 수는 있지만, 이는 부수적인 부정적 영향을 초래할 수 있습니다. 예를 들어, Civitai의 애니메이션 캐릭터 LoRA는 대부분 과적합되어 있으며, 이를 개선하기 위해 보통 가중치를 0.6 또는 0.8로 낮추는 것이 권장되지만, 이는 캐릭터가 기존의 외모 특징을 상실하게 됩니다.

  • 과적합의 일반적인 설명: 지나치게 학습되어 LoRA가 고착화되어, 캐릭터가 태그를 무시하거나 원본 데이터의 이미지를 생성하는 현상

2. CKPT

  • CLIP 편향 및 UNet 과적합은 모두 모델이 태그를 무시하게 만듭니다.

  • CLIP 편향은 태그 인식 문제를 일으키며, Civitai에는 상당수의 모델이 이를 인지하지 못하고 있습니다. 관심이 있다면, 아래 '기타' 섹션에서 이를 확인하고 간단히 수정하는 방법을 제공하겠습니다.

  • UNet의 과적합은 모델을 경직하게 만들어 태그에 반응하지 않게 만들며, 심지어 태그 없이도 아름다운 이미지를 출력할 수 있습니다. 이는 과적합이 원본 이미지를 그대로 토해내는 상황입니다.

  • 통합형 CKPT는 모델 출력의 하한을 효과적으로 높일 수 있지만, 통합 모델의 태그 가중치는 매우 혼란스럽습니다. 따라서 각 모델마다 고유한 “특성”을 지니게 되며, 이와 같은 모델을 기반으로 학습된 LoRA는 다른 모델에서 적용하기 어렵습니다.

  • 대형 모델이 LoRA 및 기타 모델을 더 잘 수용하려면, CKPT 통합 시 LoRA를 통합하지 말거나, 저작자처럼 불만족스러운 부분을 낮은 가중치로 보정하는 방식으로 균형을 잡으세요.

3. VAE

  • CKPT 자체에 VAE가 포함되어 있으며, 외부 VAE는 추가적인 기능을 위한 것이 아니라 교체를 목적으로 사용됩니다.

  • VAE는 단순히 채도 변화만을 의미하는 것이 아니라, 이미지 생성 시 구성, 세부 사항 등을 변경하는 등의 기능을 모두 포함합니다.

4. 기타

  • 메모리 사용량이 큰 모델이 반드시 좋은 것은 아닙니다. 많은 모델에는 불필요한 데이터가 산재되어 있어 다운로드하는 것만으로도 트래픽과 메모리를 낭비할 수 있습니다.

  • 예시 이미지의 우수성이 반드시 모델 품질을 보장하지 않습니다. 작가의 개인적 미의식 외에도, 그가 얼마나 많은 모델이나 플러그인을 사용했는지, 텍스트-이미지 생성과 이미지-이미지 생성을 각각 몇 번 반복했는지 알 수 없습니다.

  • 다운로드 수와 좋아요 수 또한 모델 품질을 보장하지 않습니다. 좋아요 수는 다운로드 수에 의존하며, 다운로드 수는 작가의 명성, 썸네일 이미지의 대상층, 모델 캐릭터의 인기, 모델 스타일의 호응도, 모델 유형의 대상층 등과 관련이 있습니다.

  • 최신 버전의 모델이 항상 최고인 것은 아닙니다. 종종 특정 버전을 기반으로 한 다양한 방향의 조정이 이루어집니다. 심지어 일부 작가들은 업데이트를 통해 더 많은 다운로드를 유도하기 위해 의도적으로 무의미한 업데이트를 반복하며, 실제로 사용해보면 모델 품질은 원래 상태에서 벗어나지 못한 채 답답하게 돌아가고 있습니다.

  • 더 전문적이고 상세한 지식은 '만상융로 | Anything V5/Ink'의 설명 부분을 참조하세요. CLIP 편차 검사 및 보정에 대한 확장 링크는 이 문서 앞부분에 있습니다.

    모델 링크: 만상융로 | Anything V5/Ink - V3.2++[ink] | Stable Diffusion Checkpoint | Civitai

4. 방문자들의 모델 사용 관련 질문 및 답변:

(저는 미술 및 인공지능에 대한 정규 교육을 받지 않은 일반인이며, 지속적으로 학습하고 탐구하며 다양한 전문가들과 경험을 교류해왔습니다. 제게 중요한 사안에 대해서는 정확성을 강하게 추구하며, 이 공간에서는 올바른 AI 지식을 전달하려 합니다. 세부 내용은 아래 문서에 있으며, 개별적으로 발생한 문제에 대한 답변으로 제공됩니다.)

1. LoRA:

애니메이션 캐릭터 LoRA의 이상적인 가중치는 1입니다. 가중치를 조정하면 맞춤화를 개선할 수 있지만, 이는 추가적인 부작용을 초래할 수 있습니다. 예를 들어: 일부 이미지 공유 사이트에서는 많은 애니메이션 캐릭터 LoRA가 과적합되어 있습니다. 이를 완화하기 위해 0.6/0.8로 가중치를 낮추는 것이 일반적으로 권장되지만, 이는 캐릭터가 원래의 일부 특징을 잃게 될 수도 있습니다.

과적합의 간단한 설명: 과도한 학습으로 인해 LORA 성능이 딱딱해져 캐릭터가 태그를 따르지 못하거나, 입력 자료와 관련 없는 이미지를 생성하게 됩니다.

2. CKP:

클립 오프셋과 유넷 과적합 모두 모델이 태그를 따르지 못하게 만들 수 있습니다.

클립 오프셋은 태그 인식 문제를 일으킵니다. 일부 플랫폼의 많은 모델들이 이 문제를 알지 못한 채 존재합니다. 관심이 있다면, 아래 '기타' 섹션에서 이를 확인하고 수정하는 방법을 제공하겠습니다.

유넷 과적합은 딱딱함을 유발하거나 태그를 따르지 못하게 만들 뿐만 아니라, 아무 태그도 없는 상태에서 매력적인 이미지를 생성하기도 합니다. 이는 과적합이 원본 자료와 거의 동일한 이미지를 생성할 때 발생합니다.

퓨전 스타일의 ckpt 모델은 이미지 생성 품질의 하한을 향상시킬 수 있습니다. 그러나 퓨전 모델의 태그 가중치는 일반적으로 정리되지 않아 다양한 "특성"을 만들어냅니다. 마찬가지로, 이러한 모델을 기반으로 학습된 LORA는 다른 모델과 호환성이 떨어집니다.

더 큰 모델이 LORA 및 다른 모델과 더 잘 통합되기를 원한다면, ckp 모델을 병합할 때 LORA를 퓨전하지 마세요. 혹은 저처럼, 퓨전 과정에서 낮은 가중치로 덜 뛰어난 요소들을 포함하는 것을 고려하세요.

3. VAE:

CKP 자체에 VAE가 포함되어 있습니다. 외부 VAE는 이를 보완하기 위한 것이 아니라 대체하기 위한 것입니다.

VAE의 가장 즉각적인 효과는 채도 변화입니다. 그러나 이것이 전부는 아닙니다. VAE는 이미지 생성 시 구성, 세부 사항 등에도 영향을 줄 수 있습니다.

4. 기타:

메모리 소비가 큰 모델이 반드시 우수한 것은 아닙니다. 많은 모델이 불필요한 데이터를 포함하고 있어 대역폭과 메모리를 낭비합니다.

샘플 이미지의 품질이 모델의 품질을 결정적으로 나타내지 않습니다. 작가의 미적 선호 외에도, 몇 개의 모델, 플러그인, 반복 과정이 사용되었는지는 알 수 없습니다. 다운로드 수나 좋아요 수도 확정적인 지표가 아닙니다. 좋아요는 보통 다운로드와 연결되며, 이는 작가의 명성, 커버 이미지의 매력, 캐릭터의 인기, 예술 스타일의 호환성, 그리고 대상 청중 유형에 영향을 받습니다.

모델의 새로운 버전이 항상 우수한 것은 아니다. 일반적으로 특정 버전 내에서 다양한 방향에 따라 조정이 이루어진다. 실제로 일부 작성자들은 다운로드 수를 늘리기 위해 업데이트를 악용한다. 실제적으로 모델의 품질은 제자리걸음일 뿐이다.

더 전문화되고 상세한 지식을 원한다면, "만상용로 | Anything V5/Ink"의 소개 섹션을 참조하십시오. 클립 오프셋 문제를 검사하고 수리하기 위한 확장 링크는 이 문서의 앞부분에 위치해 있습니다.

이 모델로 만든 이미지

이미지를 찾을 수 없습니다.