许可证：其他 许可证名称：FAIPL 许可证链接：https://freedevproject.org/faipl-1.0-sd 语言：

• 英语 标签：
• 文本到图像
• 稳定扩散
• 安全张量
• 稳定扩散XL 基础模型：cagliostrolab/animagine-xl-3.1 小部件：
  • 文本：>- 1女孩，绿发，毛衣，看向观众，上半身，贝雷帽， 户外，夜晚，高领，杰作，最佳质量 参数： 负面提示：>- 不适合工作场合，低分辨率，解剖结构错误，手部错误，文字，错误，缺失手指， 额外手指，手指较少，裁剪，最差质量，低质量，普通质量， JPEG伪影，签名，水印，用户名，模糊，艺术家名称 示例标题：1女孩

UrangDiffusion 2.0

UrangDiffusion 2.0（发音：oo-raw-ng Diffusion）相比v1.4版本采用了全新的训练方法。该模型提供了更高的灵活性，并带来了一些更新的数据集。

标准提示指南

该模型基于Animagine XL 3.1进行微调。然而，由于数据集标注方式略有变化，因此使用的默认提示也有所不同：

默认提示：

1女孩/1男孩，角色名称，来自哪个系列，其他内容按任意顺序排列，最佳质量，惊人质量，非常美观。

注意：质量标签杰作已被替换为最佳质量，因为有报告称前者经常导致不希望的副作用。测试也证明，某些生成的解剖结构因该标签而出现问题。

默认负面提示：

低分辨率，（差），文字，错误，较少，额外，缺失，最差质量，JPEG伪影，低质量，水印，未完成，不悦，最旧，早期，色差，签名，额外数字，艺术错误，用户名，扫描，[抽象]，

默认配置：

默认配置：Euler a，约25-30步，CFG 5-7，ENSD设置为31337。最佳效果通常在28步和CFG 7左右。

训练配置

• 微调自：Animagine XL 3.1

预训练：

• 数据集大小：44,393张图像

• GPU：1xA100

• 优化器：AdaFactor

• Unet学习率：3.75e-6

• 文本编码器学习率：1.875e-6

• 批量大小：16

• 梯度累积：3

• 预热步数：100步

• 最小SNR Gamma：5

• 周期：10

• 随机裁剪：是

• 损失函数：Huber

• Huber调度：SNR

• Huber C：0.1

微调：

• 数据集大小：3,140张图像

• GPU：1xA100

• 优化器：AdaFactor

• Unet学习率：3e-6

• 文本编码器学习率：-（训练TE设置为False）

• 批量大小：16

• 梯度累积：3

• 预热步数：5%

• 最小SNR Gamma：5

• 周期：10（使用第9周期）

• 噪声偏移：0.0357

• 随机裁剪：是

• 损失函数：Huber

• Huber调度：SNR

• Huber C：0.1

新增/更新的系列和角色

系列：

1. 绝区零

2. 鸣潮

3. 贤惠仙狐小姐

崩坏：星穹铁道：

1. 萤火虫

2. 阿卡戎

3. 火花

4. 罗宾

5. 阿文塔林

6. 黑天鹅

7. 飞霄

8. 云璃

9. 灵砂

10. 三月七（巡猎）

11. 翡翠

12. 椒丘

13. 加拉赫

14. 拉帕

15. 米沙

Hololive人才：

1. Hololive印度尼西亚

2. 拉奥拉·潘特拉

3. 伊丽莎白·罗斯·血焰

4. 吉吉·穆林

5. 塞西莉亚·常青

原神：

1. 仆人

2. 克洛琳德

3. 千织

4. 穆娜拉尼

5. 闲云

6. 希格雯

7. 基尼奇

8. 西洛宁

9. 埃米莉

10. 嘉明

11. 卡奇娜

12. 赛索斯

其他：

1. 风景

2. 几个用于修复解剖问题的概念

特别感谢

• CagliostroLab 通过让我借用组织的RunPod账户赞助了模型的微调。

• 我在CagliostroLab的同事们(？) 提供的见解和反馈。

• Nur Hikari 和 Vanilla Latte 进行质量控制。

• Linaqruf，我在AI生成图像领域的导师和榜样，也是标签排序的幕后人物。

许可证

UrangDiffusion 2.0 采用 公平AI公共许可证1.0-SD 许可证。