Waifu Diffusion で効率的に画像を生成する

AUTOMATIC1111 を使う場合は、autoencoder_kl-f8-trinart_characters.ckpt を trinart_characters_it4_v1.vae.pt にリネームして同じフォルダに入れる。成功するとLoading VAE weights from:～trinart_charatcters_it4_v1.vae.pt が表示される。

TrinArt はカンマ区切りは非推奨。

Hentai Diffusion

新しいバージョン

Hentai Diffuison ウイルスが検出されるが作者は混入を否定している。実行は自己責任で。

NSFW

実写向き

LD-70k-1e-pruned.ckpt

LD-70k-2e-pruned.ckpt

gg1342_testrun1_pruned.ckpt

Zeipher Female Nude (better anatomy)

Zeipher BB (Blowjob images)

ケモエロ

Stable Diffusion Furry Finetune Models：Furry （ケモナー）と yiffy （エロ特化）

yiffy はペニスを描くのが上手い。

Zack3D_Kinky-v1.ckpt （ケモ）

R34

r34_e1.ckpt [f9000e4e]

r34_e2.ckpt [778b68b1]

そのほか

LD と Waifu Diffusion を３：７の比率でマージしたモデル

キャラ特化モデル

Re：ゼロから始める異世界生活のヴィルヘルム・ヴァン・アストレア

Re：ゼロから始める異世界生活のエミリア

Re：ゼロから始める異世界生活のレムのモデル

nanachi dreambooth model (42 images on top of yiffy-e15)
keyword: nanachiDB cute_furry_girl
[nanachiDB-42imgs-5000steps.ckpt](https://mega.nz/file/xE9gFQYK#f61_2_OvDSOd4VRW3W9EoLpImwCBf1hauUFhW-iNtRw)

ryza dreambooth model (54 images on top of WD 1.3 beta)
keyword: rizaDB anime_girl (yes I misspelled the name)
rizaDB-54imgs-4500steps.ckpt

SD_PixelArt_SpriteSheet_Generator

がうるぐら（VTuber）モデル

gura_no_hood_2k.ckpt

Gura_200img_3k.ckp

Gawr_Gura_450img.ckpt

リンク集

AIで描いてもらった二次画像置き場

Stable Diffusion が実行できるツールリスト

Stable Diffusion Models2

Stable Diffusion Models1

diffusersで使える Stable Diffusionモデル一覧

画像生成AI「Stable Diffusion」でいろいろ特化した使えるモデルデータいろいろまとめ

モデルマージ

Merge-Stable-Diffusion-models-without-distortion

Model Merging Method, anyone seen or tried? #2027

Danbooru タグ列挙法

Danbooru タグ列挙法（Waifu Diffusion v1.2 限定）

文章を入力するのではなく、Danbooru タグを列挙することで出力を安定させる方法。以下の語順でプロンプトを並べると出力が安定する。

[作品タグ] [キャラクタータグ] [コンテンツタグ] [アーティストタグ]

参考作品がない場合は、プロンプトの頭に original を指定する。

参考キャラクターがない場合はキャラクタータグは省略可能。

コンテンツタグは作品・キャラクター・アーティスト以外のすべてのタグ。ただし "highres" のような学習に時に使ってないメタタグは入れない。

この時、各カテゴリごとにアルファベット順に並べ替える。

Danbooru タグの半角スペースはアンダーバーで置き換える。

タグは半角スペースを使って並べる。コンマやピリオドを使ってはならない。以下はプロンプト例。

kono_subarashii_sekai_ni_shukufuku_wo! megumin 1girl ^_^ backlighting blush brown_hair cape closed_eyes collar facing_viewer fingerless_gloves flat_chest gloves hat lens_flare short_hair short_hair_with_long_locks smile solo staff sunset witch_hat dacchi

Danbooru タグ以外の語は入力しない方が安定する。~~しかしタグではない句を使う場合は半角スペースをアンダーバーにする。たとえば cleavage_of_huge_breasts~~ 有効なプロンプト数が減るデメリットの方が多いと感じたので訂正。

アンダーバーは１トークン消費するため、有効なプロンプト数が短くなるのがこの方法の欠点だ。

Danbooru タグ列挙法（Waifu Diffusion v1.3 限定）

Danbooru タグの空白はそのまま入力する（空白をアンダーバーにする必要はない）
Danbooru タグの () は削除する（たとえば pokemon (anime) は pokemon anime）
Danbooru タグはコンマで区切る
タグを並べ替える必要はない

以下のような文章のプロンプトではなく

a girl wearing a hoodie in the rain

以下のように Danbooru タグをコンマ区切りで入力する。

original, 1girl, solo, portrait, hoodie, wearing hoodie

Stable Diffusion に関するニュース

SD RESOURCE GOLDMINE

SD RESOURCE GOLDMINE 2

SD Updates (3)

DeepFloyd IF

Stable Diffusion は潜在空間で描いた絵を VAE でピクセル空間に戻していた。このとき VAE にプロンプトの情報を入力していないので、細部の再現性に問題があった。

DeepFloyd IF はピクセル空間で 64x64 の絵を描き、アップスケーラーを２回実行して 1024x1024 の画像を作成する。アップスケーラーにはプロンプトの情報が入力されるので、通常のアップスケーラーより高性能である。

DeepFloyd IF の描画フロー

DeepFloyd IF は３ステージで絵を描く。

ステージ１ではプロンプトから生成した Text Embedding を利用して、64x64 の画像をピクセル空間で描く。

ステージ２では 64x64 の画像と Text Embedding とを利用して、256x256 の画像へアップスケーリングする。

ステージ３では 256x256 の画像と Text Embedding とを利用して、1024x1024 の画像へアップスケーリングする。

ステージ２とステージ３とのアップスケーラーは個別に専用のモデルが使用される。

外部リンク

IF by DeepFloyd Lab at StabilityAI

Stability AIが大規模言語モデルを取り入れた高性能なテキストから画像への変換モデル「DeepFloyd IF」を発表

eDiffi: Text-to-Image Diffusion Models with Ensemble of Expert Denoisers

eDiffi はテストエンコーダーに CLIP と T5XXL を使い、64x64 の画像をつくる。そして 4x アップスケーラーを２回適用し 1k x 1k の画像にする。

従来の拡散モデルはデノイザ１つでデノイズしていたが、eDiffi はデノイズのステップごとにデノイザを分けて個別に学習させることで合成能力を向上させている。

論文など

Transformer/Attention

論文解説 Attention Is All You Need (Transformer)

作って理解する Transformer / Attention

Scaled Dot-Product Attentionの本当の凄さを考える

30分で完全理解するTransformerの世界

BERTのAttentionは何を見ているのか？

Cross-Attention in Transformer Architecture

VAE

VAEは画像を生成する生成モデル。

AutoEncoderはあくまで潜在空間の取得が目的で、（エンコーダーで得られる）高次の特徴をアップサンプリング＋Skip-connectionで解像度を上げていくU-Netとは目的が違うような… / “オートエンコーダーとして…” https://t.co/3Fvrx8E9G6
— yu4u (@yu4u) November 12, 2018

教師なし機械学習「VAE」による連続的な手書き文字の生成

変分オートエンコーダー

【Tensorflowによる実装付き】Variational Auto-Encoder(VAE)を理解する

【PyTorch】VAE(Variational Auto-Encoder)を実装する

【徹底解説】VAEをはじめからていねいに

深層学習／VAE (Variational Autoencoder) を実装する

Variational Autoencoder徹底解説

【論文解説+Tensorflowで実装】VQ-VAEを理解する

CLIP

話題のOpenAIの新たな画像分類モデルCLIPを論文から徹底解説！

U-Net

DiffusionモデルをPyTorchで実装する② ~ U-Net編

拡散モデル

The Illustrated Stable Diffusion

Stable Diffusion の仕組みを理解する

Huggingface のイントロダクション

図解Stable Diffusion

Stable Diffusion を基礎から理解したい人向け論文攻略ガイド【無料記事】

画像生成 AI の最前線！拡散モデル・画像生成モデルの最新研究を解説

Text-to-Image 入門

StableDiffusionのサンプリング法

Diffusion Models | Paper Explanation | Math Explained

What are Diffusion Models?

Stable Diffusion with Diffusers

Diffusers.ipynb

The Annotated Diffusion Model

Generative Modeling by Estimating Gradients of the Data Distribution

Training custom Ai generative models

NovelAI

NovelAI Improvements on Stable Diffusion

NovelAI Aspect Ratio Bucketing

NovelAI Aspect Ratio Bucketing の翻訳

正方形以外の解像度での学習

FreeU

FreeU はファインチューニングも追加学習もせずに画像の品質を向上させる。

解説

U-Net のバックボーン（後半）はデノイズを行っている（前半は情報抽出）。U-Net はスキップ接続によって U-Net のデコーダーが高周波数の情報（絵のディティール・エッジ・テクスチャなど）を復元できるようになっている。しかしスキップ接続で渡された情報の低周波数の部分（全体の構図など）が、バックボーンのデノイズ能力を低下させている。

FreeU は２つの情報の制御を行う。ひとつはスキップ接続でバックボーンに提供する情報で、もうひとつはバックボーンネットワークの影響力の強さだ。バックボーンに提供する情報の影響力は s で、バックボーンネットワークの影響力の強さを b で制御する。公式の GitHub では b を少し強くして、s を小さくするように指示している。

バックボーンに提供する情報は高速フーリエ変換した後に、s で調整し、逆高速フーリエ変換している。全体を s で調整すると出力がスムースになりすぎるので、s で調整するのは低周波数の部分だけに限定している。

出口に近いバックボーンの b を強くすると出力がスムースになりすぎるので、出口に近いバックボーンの影響力は強化しない。

論文

FreeU: Free Lunch in Diffusion U-Net（arXiv） GitHub Project Page

論文

Zero-shot Learning網羅的サーベイ：CLIPが切り開いたVision & Languageの新しい世界

DiffusionによるText2Imageの系譜と生成画像が動き出すまで

世界に衝撃を与えた画像生成AI「Stable Diffusion」を徹底解説！

【AI論文解説】DALL-E 2へ至るまでの道のり：文章に沿った画像を高品質かつ多様に生成 -詳細編-

Neural Discrete Representation Learning （Vector Quantized – VAE）

U-Net: Convolutional Networks for Biomedical Image Segmentation

High-Resolution Image Synthesis with Latent Diffusion Models

Diffusion Models Beat GANs on Image Synthesis

Denoising Diffusion Implicit Models （DDIM スケジューラー）

Denoising Diffusion Probabilistic Models （DDPM スケジューラー）

Pseudo Numerical Methods for Diffusion Models on Manifolds （PNDM スケジューラー）

An Image is Worth One Word: Personalizing Text-to-Image Generation using Textual Inversion

High-Resolution Image Synthesis with Latent Diffusion Models （LDSR）

TRAINING-FREE STRUCTURED DIFFUSION GUIDANCE FOR COMPOSITIONAL TEXT-TO-IMAGE SYNTHESIS （色移りやプロンプト無視を減らす方法）

新時代の pix2pix？ ControlNet 解説

HyperNetwork

HyperNetworks

Contextual HyperNetworks for Novel Feature Adaptation

Hypernetwork functional image representation

そのほかのリンク

Tools and Resources for AI Art

Video Diffusion Models Cascaded Diffusion Models × 3D U-Net

paint-with-words-sd （テキストでオブジェクト位置を指定できる）

Drag Your GAN: Interactive Point-based Manipulation on the Generative Image Manifold

InstaFlow（１ステップで画像生成）

DAAM

プロンプトの各単語が画像のどの部分に効いているかを可視化する。

Poisson Flow Generative Models

拡散モデルより 10 倍～ 20 倍高速に動作するらしい。

Phenaki - Pytorch

テキストから動画を作成する。

Make-A-Video

テキストや画像から動画を作成するサービス。

DreamFusion: Text-to-3D using 2D Diffusion

テキストから 3D を生成する AI の調整に画像を生成する AI を使うことで、学習用 3D データなしでテキストから 3D データが出力できるようになるという論文。

Point·E

テキストから 3D の point clouds を生成する。

Mubert-Text-to-Music

テキストから音楽を作成する。

Text2LIVE

プロンプトで指示して、画像や動画を編集する。

EbSynth

動画を絵画調にする。

Anime2Sketch

イラストを線画にする。

Sketch-Guided Text-to-Image Diffusion Models

絵心がない線画を“いい感じの作品”に変える画像生成AI「Sketch-to-Image」　Googleなどが開発

[ RIFFUSION ]

Stable Diffusion を使って音楽を生成する。

動画

AI フレーム補間

AI 動画で高解像度の動画を変換する Tips

低解像度（512x512 前後）かつ低 Denoising Strength で変換したものを SD Upscale する。

ファインチューン

概要

Textual Inversion や Hypernetwork、LoRA の学習は、学習画像のサイズが 512x512 なら VARM ８GB の RTX 3050 でもできる。ただし VRAM を解放するために実行前に webui の再起動が必要になる。モニターを複数枚使っている場合、VRAM が不足することがある。そのため快適に学習させたければ、VRAM 12GB 以上の GPU を使うか、Google Colab を使う。

Dreambooth を使って学習させるには最低でも 12 GB の VRAM が必要になる。

Textual Inversion はテキストエンコーダーを調整する。Hypernetwork はテキストエンコーダーと U-Net との間に追加のネットワークを挿入して、その追加ネットワークを調整する。LoRA は U-Net の Attention ブロックのみを調整する。LoCon は Attention ブロックと畳み込みレイヤーを調整する。Dreambooth は U-Net 全体を調整する。

ControlNet は学習に VRAM 24 GB が必要で、公式でも訓練方法を詳細に解説していないので知識が必要だが、任意の情報（輪郭情報や棒人間でポーズ指定など）を入力できるようになる。

LoRA と Dreambooth は何が違うか

LoRA は U-Net の Attention ブロックのみを調整する。Dreambooth は U-Net 全体を調整する。

LoRA と Hypernetwork は何が違うか

LoRA はネットワークを追加し、Transformer の Attention ブロックすべてを修正する。

Hypernetwork はネットワークを追加し、Attention ブロックに入力する k, v を修正する。

まとめ

LoRA

品質がよく・ファイルサイズは大きすぎず・難易度も高くないので人気。Web 上に情報も多い。デフォルトの状態で呼び出せない人や物を学習させられる。Dreambooth に比べてファイルサイズが小さく、学習に必要な VRAM も小さい。

Hypernetwork

画風の調整に向いてる。学習時間が短く準備の手間も少ない。

Textual Inversion

デフォルトの状態で呼び出せる人や物を語に覚えさせたり、トークンを節約したりするのに使う。描く能力はあるが呼び出し方がわからない人や物を呼び出せることがある。

Dreambooth

デフォルトの状態で呼び出せない人や物を学習させられる。U-Net 全体を調整するので最も高品質。ただしファイルサイズも大きく、学習に必要な VRAM も多い。

VRAM８GB でできるファインチューニング

Textual Inversion
Hypernetwork
LoRA
DreamArtist

VRAM 12 GB でできるファインチューニング

Dreambooth

VRAM 16 GB でできるファインシューニング

追加学習

間違いやすいポイント

Textual Inversion と Hypernetwork のキャプションの違い

Textual Inversion と hypernetwork とでは画像のタグのつけ方や使用法が違う。

「覚えさせたいタグ」とは学習対象の特徴を表現するタグだ。例えば赤目銀髪ロングのキャラクターなら、silver hair, long hair, red eyes が「覚えさせたいタグ」だ。

「覚えさせたくないタグ」は画像のメタ情報だ。white background や highly detailed, full body など。

	Textual Inversion	Hypernetwork	LoRA
覚えさせたいタグ	Initialization Text に入れる	キャプションファイルに書く	キャプションファイルに書かない
覚えさせたくないタグ	キャプションファイルに書く	キャプションファイルに書く	キャプションファイルに書く
使用法	embedding 名をプロンプトに入れる	キャラ/オブジェクトに関係のあるタグをプロンプトに入れる	トリガーワードをプロンプトに入れる

学習画像のキャプションファイル

学習画像と同名のテキストファイルがあると、そのファイル内のタグを読み込むようになっている。Windows はパスの長さが 255 文字程度に制限されているので、ファイル名にタグが入りきらない場合にこの機能を使う。

VRAM が８GBだが学習ができない

Dreambooth は VRAM ８GB では実行できない。Textual Inversion と Hypernetwork で VRAM が不足する原因は原因はいくつかある。

学習画像のサイズが 512x512 でない
学習画像の枚数が多い（たとえば 100 枚以上）
単精度オプション等がついている --precision full --no-half --medvram
webui を再起動してない
layer structure の層が深い（たとえば 1, 2, 4, 4, 4, 2, 1）
Move VAE and CLIP to RAM when training hypernetwork にチェックを入れてない
xformers を有効にしてない

CPU に内蔵されている GPU が使えるなら、マザーボードから出ている映像出力端子とモニターとを繋ぐと VRAM を節約できる。

画像のキャプションファイルに書くタグ例（Textual Inversion で学習させないタグ）

white background, black background
solo, 1girl, looking at viewer, full body, close-up, breasts, solo focus, face
表情・感情
open mouth, closed mouth, smile, angry
ポーズ（ポーズを学習させない場合）
squatting, standing, sitting

服を着せ変えたい場合は服も画像のキャプションファイルに書く。服を固定したい場合は、服の特徴を Initialization Text に入れる。

Hypernetwork ならHypernetwork-MonkeyPatch-Extensionがマルチアスペクトの学習に対応している。

Hypernetwork を外す

Hypernetwork は学習に影響を与えるので外す。

Hypernetwork strength を１に戻す

Hypernetwork strength が１未満だと学習が遅くなる。

Hypernetwork

Hypernetwork でキャラの学習と使用

画像のキャプションファイルには覚えてほしい特徴も、覚えてほしくない特徴もすべて書く。

Hypernetwork 使用時にキャラの特徴のタグをプロンプトに入れる。

活性化関数選び

活性化関数は以下の３つがよく使われる

Linear

活性化関数実装前に使われていた（つまり活性化関数なし）。Linear は学習できる量が少ないのが欠点だ。Linear 以外の活性化関数なら同じ layer structure でも多くの内容を学習できる。

relu

有名でよく使われている活性化関数。ReLU は Layer weights initialization で Normal を選択してはならない。ReLU を Normal で初期化するとニューロンの半分が初期化時に死んでしまう。

学習後のウェイトが０以下になるとニューロンが死んでしまう Dying ReLU 問題がある。ReLU を使う場合の Dying ReLU 対策には以下の２つのどちらかを使う。

Layer Nomralization を入れる

Layer Nomralization を入れると 5e-4 や 1e-3 のような大きな学習率を指定しないと学習が進まない。ほかの人ハイパーパラメータを参考にする場合には Layer Normalization の有無は重要になる。

学習率を小さくする

小さい学習率（5e-6 程度）は学習に時間がかかる。

mish

2022 年現在で最も高性能な活性化関数の一つ。AUTOMATIC1111 の実装では ReLU と処理速度がほとんどかわらない。Dying ReLU 問題もないのでオプションの選択も自由。

Layer Normalization を有効にする場合は学習率を大きくする

Layer Nomralization を入れると 5e-4 や 1e-3 のような大きな学習率を指定しないと学習が進まない。

Wide VS Deep

デフォルト（1, 2, 1）は 20 枚程度の画像で学習させるのに向いている。

広いネットワーク（たとえば 1, 3, 1 や 1, 4, 1）は新しい概念（人・物・動物）を学習させるのに向いている。

深いネットワーク（たとえば 1, 1.5, 1.5, 1 や 1, 2, 2, 1）は画風を学習させるのに向いている。

深くて広いネットワーク（たとえば 1, 2, 4, 2, 1）は学習に時間がかかり、過学習を起こしやすいのでよくない。

ファイルサイズは数字の合計で決まる。1, 3, 1 と 1, 1.5, 1.5 ,1 は同じファイルサイズになる。層が深いネットワークほど学習に時間がかかる。層が深いと勾配消失の影響があるので学習率を大きくする必要がある。

画風学習用の設定例

1, 1.5, 1.5, 1.5, 1 - Softsign - Xavier init - Dropout - 5e-6:20000, 5e-7
1, 1.5, 1.5, 1.5, 1 - Mish - Xavier init - 5e-5:1500, 5e-6:9000, 5e-8
1, 1.5, 1.5, 1.5, 1 - Tanh - Normal init - 5e-6

Textual Inversion

Textual Inversion でやりがちなミス

以下のミスをするとプレビューが変化しない。

プレビューのプロンプトに embedding 名を入れ忘れる
Prompt template file に [name] を入れ忘れる

覚えてほしい特徴と覚えてほしくない特徴

覚えてほしい特徴は、embedding 作成時の Initialization Text に入れる。

覚えてほしくない特徴（white background や close-up など）は画像のキャプションファイルに書く。

パーツ学習の問題点

キャラの髪飾りを Textual Inversion で学習させたいとする。このとき、髪飾りだけの画像で学習すると応用が効かない。つまり髪飾り単体は描けるが、キャラと同時に出現させられない。

なので服や装飾品を学習させたいときは、キャラとセットで学習させる必要がある。そうすると 512x512 では解像度が足りなくなる。

Textual Inversion でネガティブな要素を学習させる

ネガティブプロンプトで指定できないネガティブな要素を学習させて、ネガティブプロンプトに指定する方法がある。

bad prompt

bad-artist 'negative' embedding

Dreambooth

チューニングする予定のモデルで正則化画像を作る

正則化画像をよそから持ってくると、正則化画像もモデルが学んでしまう。つまりクラスプロンプトで使ったタグを使って画像を生成すると、出力される画像が正則化画像に似てしまう。

VAE

How to create a variational autoencoder with keras

fine tune models

VAE の埋め込み

StableDiffusionのcheckpointに任意のVAEをマージする

Aesthetic Gradients

Extensions からインストールできる。

使い方

embedding を models/aesthetic_embeddings 入れると、txt2img タブの Open for Clip Aesthetic で設定できる。

サンプル embedding が vicgalle/stable-diffusion-aesthetic-gradients/aesthetic_embeddings からダウンロードできる。サンプルの作例は vicgalle/stable-diffusion-aesthetic-gradients で見れる。

Aesthetic steps

最適化ステップの実行回数。２や３ぐらいから始めて少しずつ大きくしていく。大きくするほど embedding の影響が強くなる。

Aesthetic learning rate

最適化の学習率。デフォルトの 0.0001 から動かす必要はない。

外部リンク

Using Aesthetic Images Embeddings to improve Dreambooth or TI results #3350

【NovelAI】开源的WebUI即将引入重磅更新，大幅提升图像品质

Personalizing Text-to-Image Generation via Aesthetic Gradients

embedding の生成

学習画像をそれぞれ embedding に変換し、それらの embedding の平均を計算して、正規化する。これを e とする。

embedding の使用

Aesthetic text for imgs がある場合 e とブレンドする。まず Aesthetic text for imgs を embedding に変換（これを text_emb と呼ぶ）する。Is negative text の場合は e - text_emb の後に正規化する。そして e と Slerp angle でブレンドしたものを e として使う。

プロンプトを変換した embedding と e との内積を Loss としてテキストエンコーダーをチューニングする。Aesthetic steps はこのチューニング回数。Aesthetic learning rate は学習率。

最終的に、チューニング前に生成した embedding とチューニング後に生成した embedding とを Aesthetic weight でブレンドして、最終的な embedding とする。

[実装付き]Stable Diffusionの追加学習に適する画像を、VAEを利用して選別する

Custom Diffusion

DreamBooth と Textual Inversion との比較

Textual Inversion

Textual Inversion の論文によると、学習画像は５枚までがよいとのことだが、74 枚使った方が結果がよかった。

学習は 25,000 ステップまでにしておかないと、キャラが崩壊してくる。

Dreambooth

プロンプトの指示でキャラクターが編集しやすくなり、構図もよい。しかし画風への対応力がいまいち。

画像３枚の学習の方が 72 枚使った時よりよかった。

1,000 ステップ（A6000 で 30 分かからない）の学習で十分。

外部リンク

22/09/26 Stable Diffusion追加学習の記録

Textual Inversion versus Dreambooth

Textual Inversion

Textual Inversion も Hypernetwork も Aesthetic Gradients もデフォルトの状態で出せないような絵は出力できない。

DreamBooth と Textual Inversion との比較ではステップ数は 25,000 程度と書かれているが、100,000 ステップまで学習させても問題ないことも多い。

An Image is Worth One Word: Personalizing Text-to-Image Generation using Textual Inversion

プロンプトはまずトークンの集合に変換される。次にそれぞれのトークンが固有の埋め込みベクトル（embedding vector）に変換される。この埋め込みベクトルが下流のネットワークへ入力される。

Textual Inversion はテキストエンコーダーに、新しいトークンと新しい埋め込みベクトルとを挿入し、挿入された埋め込みベクトルを調整する。

Stable Diffusion with Aesthetic Gradients

Custom Styles in Stable Diffusion, Without Retraining or High Computing Resources

.pt ファイルの結合

rinongal/textual_inversion の merge_embeddings.py を使う。

ベクトル埋め込みの最適化によるアイデンティティを保ったキャラクター生成

通常の Textual Inversion では Initialization text で embedding を初期化する。この記事では複数の画像を embedding に変換してその平均を初期 embedding とする。

解説リンク

Google Colab ではじめる Textual Inversion

How to Fine-tune Stable Diffusion using Textual Inversion では手動（Python）で TI を行う方法を解説している。

[Tutorial] "Fine Tuning" Stable Diffusion using only 5 Images Using Textual Inversion.

--RETARD'S GUIDE TO TEXTUAL INVERSION--

Stable-textual-inversion_win

Invoke AI

キャラやオブジェクトと語彙とを同時に追加する（Dreambooth）

Dreambooth は Textual Inversion や Hypernetwork と違い、学習に使ったキャラ・オブジェクトを直接呼び出せる。

GPU で実行する

AUTOMATIC1111 で Dreambooth を動かす PR。

Ttl/diffusers

DeepSpeed を使うことで VRAM８GB で動作する。ただし RAM を 25 GB使う。

ShivamShrirao/diffusers

VRAM 10 GB でローカル実行できる。ただし Adam 8 bit。精度を上げるには VRAM 16 GB 以上が必要。

Colab

dreambooth-gui

VRAM 10 GB でローカル実行できる。GUI 付き。

画像生成AI「Stable Diffusion」にたった数枚のイラストから絵柄や画風を追加学習できる「Dream Booth」が簡単に使える「Dreambooth Gui」レビュー

NMKD

VRAM 24 GB でローカル実行できる。GUI 付き。

fast-dreambooth-colab

12GB の VRAM で実行できる。

Colab

Dreambooth-Stable-Diffusion-cpu

CPU で実行できる Dreambooth。推奨メモリ量は 32 GB 以上。Ryzen 3900X 3.6 GHz, メモリ 48 GB のマシンで 500 step の学習に７時間程度かかったらしい。

diffusers to ckpt

convert_original_stable_diffusion_to_diffusers.py

jachiam/convert_diffusers_to_sd.py

Made a Hugginface Dreambooth models to .ckpt conversion script that needs testing

外部リンク

DiffusersベースでStableDiffusionのモデル（U-Net+Text Encoder）をfine-tuningする

DiffusersベースのDreamBoothの精度をさらに上げる（Windows対応）

Diffusers版DreamboothをVRAM 8GBのWindowsで無理矢理動かす

Diffusers版DreamboothをVRAM 12GBのWindows PCで動かす

DreamBooth Stable Diffusion を試す

VRAM ８ GB で Dreambooth を実行する。不要なデータを RAM に退避させるのでメモリは 25 GB 以上必要になる。

Diffusers版Dreamboothを変更して精度を上げる（Text Encoderを学習対象とする）

[資料]DreamBoothのstepごとの学習結果

AIで特定キャラを描く(DreamBoothで追加学習)（Google Colab）

DreamBooth Stable Diffusion training in 10 GB VRAM, using xformers, 8bit adam, gradient checkpointing and caching latents.

Colab で Dreambooth

Stable Diffusion Dreambooth Concepts Library

Installing Stable Diffusion & Dreambooth for Windows（RTX A5000 24GB VRAM）

Imagic

Imagic は画像１枚とプロンプトとを使って拡散モデル自体をファインチューンして、画像の差分を生成する。Imagic 自体は Embedding と拡散モデル自体とを出力する。学習に使った画像とプロンプトを、Imagic が出力した Embedding と拡散モデルとに入力すると、プロンプト通りの画像が生成される。

出典：https://github.com/justinpinkney/stable-diffusion/blob/main/notebooks/imagic.ipynb

外部リンク

Imagicを理解する

原論文

Key-Locked Rank One Editing for Text-to-Image Personalization（Perfusion）

プロンプトを編集するタイプのファインチューニングなので、LoRA や Dreambooth よりも Textual Inversion や Hypernetwork に近い。なのでモデルに存在しない概念は学習できないと考えられる。

Hypernetwork は、ウェイト K とウェイト V とに注入する前に追加のネットワークを作成し、追加ネットワークをトレーニングする。Perfusion はテキストエンコーダとウェイトV とをトレーニングする。

テキストエンコーダのみを編集する Textual Inversion よりも高性能だが、Hypernetwork と比べて性能が高いかどうかは不明。Perfusion はファイルサイズが 100KB 程度なので、性能がよければ Hypernetwork の代替になりうる。

追加学習

Stable Diffusionを「いらすとや」で追加学習する

Waifu diffusionの追加学習をColabのT4で行う。（使用VRAM13.6GB）※dreamboothじゃないよ

Waifu diffusion式の追加学習のやり方。(VRAM14GB～)(12.2GB～？)

U-Net のチューニング

DiffusersベースでStable Diffusionをfine tuningする

Every Dream trainer for Stable Diffusion

VRAM 24 GB 必要。モデルの fine tune を行うツールセット。

外部リンク

StableDiffusion 再学習法

第3回　ディープラーニング最速入門 ― 仕組み理解×初実装（後編）

Inside of Deep Learning （ディープラーニングの性能改善手法一覧）

Stable Diffusion から特定の概念を忘れさせる学習を行ってみる

Tips

頭や脚がフレームアウトする

Waifu Diffusion 1.2 や 1.3 で頭が切られる確率を下げる方法は見つかっていない。「学習データを 512px * 512px にするときに頭が切られているのが原因」と言われている。修正は AUTOMATIC1111 のアウトペインティングで頭上を拡張して img2img が早い。以下は効果がなかったもの。

アスペクト比を縦長にする
clouds, tree などの頭上にあるオブジェクトを描写する
アイレベルを上げる
ネガティブプロンプトに out of frame や cropped を入れる

顔の大部分が切られる場合は head out of frame をネガティブに入れる。

画力が上がる作品タグ

Anime Experiments

スタイル・画風

画風の指定にも使える。-like face を使うと顔だけ画風を変えられる。love live!-like face や disgaea-like face など。

genshin impact
arknights
granblue fantasy
azur lane
love live!
cygames
kyoto animation
gochuumon wa usagi desu ka?（ロリを描きたいときに使う）
bang dream!
disgaea
amagami （ツリ目になりやすい）
yugioh （髪がトゲトゲになる）
senran kagura

TrinArt のデフォルトネガティブプロンプト

bad anatomy, bad hands, bad quality, blurry, cropped, disconnected limbs, extra digit, extra limbs, fewer digits, jpeg artifacts, low quality, explicit, text