---

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

• 英文 基础模型：Eugeoter/artiwaifu-diffusion-1.0 管道标签：文本到图像 库名称：diffusers 标签：
• 文本到图像
• 安全张量
• 稳定扩散
• 稳定扩散XL

---

ArtiWaifu Diffusion 2.0

我们发布了ArtiWaifu Diffusion 2.0模型，旨在生成美观且忠实还原的动漫风格插图。AWA Diffusion是Stable Diffusion XL模型的迭代版本，掌握了超过9000种艺术风格和6000多个动漫角色，通过触发词生成图像。作为专为动漫设计的图像生成模型，它在生成高质量动漫图像方面表现出色，尤其是在生成具有高度辨识度的风格和角色图像时，同时保持一贯的高质量美学表达。

模型详情

AWA Diffusion模型基于ArtiWaifu Diffusion 1.0微调，选用了250万张高质量动漫图像的数据集，涵盖了广泛的热门和小众动漫概念。AWA Diffusion采用了我们最先进的训练策略，使用户能够轻松引导模型生成特定角色或风格的图像，同时保持高图像质量和美学表达。

与ArtiWaifu Diffusion 1.0相比，2.0版本具有以下主要特点：

• 更多的艺术风格和角色；
• 更稳定的解剖结构；

模型信息

• 开发者：Euge
• 资助者：Neta.art
• 模型类型：生成式文本到图像模型
• 微调自模型：ArtiWaifu Diffusion 1.0
• 许可证：Fair AI Public License 1.0-SD

使用指南

本指南将（i）介绍模型的推荐使用方法和提示词撰写策略，旨在为生成提供建议，以及（ii）作为模型使用的参考文档，详细说明触发词、质量标签、评级标签、风格标签和角色标签的撰写模式和策略。

基本用法

• CFG比例：5-11
• 分辨率：面积（=宽度×高度）约为1024×1024。不低于256×256，且长宽均为32的倍数。
• 采样方法：Euler A（20+步）或DPM++ 2M Karras（~35步）

由于特殊的训练方法，AWA的最佳推理步数高于常规值。随着推理步数的增加，生成图像的质量可以持续提升...

‚ùì 问题：为什么不使用标准的SDXL分辨率？

üí° 回答：因为训练中使用的分桶算法不遵循固定的桶集。尽管这不符合位置编码，但我们没有观察到任何不良影响。

提示策略

所有文本到图像的扩散模型对提示词都非常敏感，AWA Diffusion也不例外。即使提示词中的一个拼写错误，甚至将空格替换为下划线，都可能影响生成结果。AWA Diffusion鼓励用户使用逗号+空格（, ）分隔的标签形式撰写提示词。尽管模型也支持自然语言描述作为提示词，或两者的混合形式，但标签形式的提示词更稳定且用户友好。

在描述特定的ACG概念时，如角色、风格或场景，我们建议用户从Danbooru标签中选择标签，并将Danbooru标签中的下划线替换为空格，以确保模型准确理解您的需求。例如，bishop_(chess)应写为bishop (chess)，而在使用AUTOMATIC1111 WebUI等通过括号加权提示词的推理工具时，标签内的所有括号都应转义，即bishop \(chess\)。

标签顺序

包括AWA Diffusion在内的大多数扩散模型能更好地理解逻辑有序的标签。虽然标签顺序并非强制要求，但它可以帮助模型更好地理解您的需求。一般来说，标签在顺序中的位置越靠前，其对生成的影响越大。

以下是一个标签顺序的示例。该示例组织了标签的顺序，前置了艺术风格标签和角色标签，因为风格和主题对图像最为重要。随后，按重要性顺序添加其他标签。最后，美学标签和质量标签置于末尾，以进一步强调图像的美学。

艺术风格（by xxx） -> 角色（1 frieren (sousou no frieren)） -> 种族（精灵） -> 构图（牛仔镜头） -> 绘画风格（厚涂） -> 主题（奇幻主题） -> 主要环境（森林中，白天） -> 背景（渐变背景） -> 动作（坐在地上） -> 表情（面无表情） -> 主要特征（白发） -> 其他特征（双马尾，绿眼睛，微张的嘴唇） -> 服装（穿着白色连衣裙） -> 服装配饰（褶边） -> 其他物品（手持魔法杖） -> 次要环境（草地，阳光） -> 美学（美丽色彩，细节丰富） -> 质量（最佳质量） -> 次要描述（鸟，云，蝴蝶）

标签顺序并非一成不变。灵活撰写提示词可能会获得更好的结果。例如，如果某个概念（如风格）的效果过强，影响了图像的美观，可以将其移至较后的位置以减少其影响。

负面提示

AWA Diffusion不需要负面提示。如果使用负面提示，并非负面提示越多越好。负面提示应尽可能简洁且易于模型识别。过多的负面词可能导致生成结果更差。 以下是使用负面提示的一些推荐场景：

1. 水印：签名，标志，艺术家名称；
2. 质量：最差质量，低分辨率，丑陋，抽象；
3. 风格：真实生活，3D，赛璐珞，草图，草稿；
4. 人体解剖：变形的手，融合的手指，多余的肢体，多余的手臂，缺失的手臂，多余的腿，缺失的腿，多余的手指，手指过少。

触发词

在提示词中添加触发词，以告知模型您想要生成的概念。触发词可以包括角色名称、艺术风格、场景、动作、质量等。

触发词技巧

1. 拼写错误：模型对触发词的拼写非常敏感。即使一个字母的差异也可能导致触发失败或产生意外结果。
2. 括号转义：在使用依赖括号加权提示词的推理工具（如AUTOMATIC1111 WebUI）时，注意转义触发词中的括号，例如1 lucy (cyberpunk) -> 1 lucy \(cyberpunk\)。
3. 触发效果预览：通过Danbooru搜索标签以预览标签，更好地理解标签的含义和用法。

风格标签

风格标签分为两种类型：绘画风格标签和艺术风格标签。绘画风格标签描述图像中使用的绘画技术或媒介，如油画、水彩、平涂和厚涂。艺术风格标签代表图像背后的艺术家的艺术风格。

AWA Diffusion支持以下绘画风格标签：

• Danbooru标签中可用的绘画风格标签，如油画，水彩，平涂等；
• AID XL 0.8支持的所有绘画风格标签，如平涂厚涂等；
• Neta Art XL 2.0支持的所有风格标签，如古风等；

完整绘画风格标签列表请参见绘画风格标签列表。

AWA Diffusion支持以下艺术风格标签：

• Danbooru标签中可用的艺术风格标签，如by yoneyama mai，by wlop等；
• AID XL 0.8支持的所有艺术风格标签，如by antifreeze3，by 7thknights等；
• 从Pixiv相互收集的一些风格标签，如by trickortreat，by shiroski等；

完整艺术风格标签列表请参见艺术风格标签列表。

标签库中标签数量越高，艺术风格的训练越充分，生成的保真度越高。通常，标签数量高于50的艺术风格标签能产生更好的生成结果。

风格标签技巧

1. 强度调整：您可以通过调整提示词中风格标签的顺序或权重来调整风格的强度。前置风格标签可增强其效果，而后置则减弱其效果。

‚ùì 问题：为什么在艺术风格标签中包含前缀by？

üí° 回答：为了明确告知模型您希望生成特定的艺术风格而非其他内容，我们建议在艺术风格标签中包含前缀by。这将by xxx与xxx区分开来，尤其是当xxx本身具有其他含义时，例如dino可能代表恐龙或艺术家的标识。 类似地，在触发角色时，在角色触发词前添加1作为前缀。

角色标签

角色标签描述生成图像中的角色IP。使用角色标签将引导模型生成角色的外观特征。

角色标签也需要从角色标签列表中获取。要生成特定角色，首先在标签库中找到对应的触发词，将触发词中的所有下划线_替换为空格 ，并在角色名称前添加1 。 例如，1 ayanami rei触发模型生成动漫《EVA》中的角色绫波丽，对应Danbooru标签ayanami_rei；1 asuna (sao)触发模型生成《刀剑神域》中的角色亚丝娜，对应Danbooru标签asuna_(sao)。

更多示例

标签库中标签数量越高，角色的训练越充分，生成的保真度越高。通常，标签数量高于100的角色标签能产生更好的生成结果。

角色标签技巧

1. 角色服装：为了实现更灵活的角色服装设计，角色标签不会刻意引导模型绘制角色的官方服装。要生成特定官方服装的角色，除了触发词外，还应在提示词中包含服装的描述，例如“1 lucy (cyberpunk), 穿着白色短款夹克，内搭紧身衣，短裤，大腿袜，臀部开衩”。
2. 系列注释：某些角色标签在角色名称后包含额外的括号注释。括号和其中的注释不能省略，例如1 lucy (cyberpunk)不能写为1 lucy。除此之外，您不需要添加任何额外的注释，例如，您不需要在角色标签后添加角色所属的系列标签。
3. 已知问题1：在生成某些角色时，可能会出现神秘的特征变形，例如1 asui tsuyu触发《我的英雄学院》中的角色蛙吹梅雨可能会在眼睛之间出现一条额外的黑线。这是因为模型错误地将大圆眼睛解读为眼镜，因此应在负面提示中包含glasses以避免此问题。
4. 已知问题2：在生成不太受欢迎的角色时，由于数据/训练不足，AWA Diffusion可能会生成特征还原不完整的图像。在这种情况下，我们建议您在提示词中扩展角色描述，不仅包括角色名称，还应详细描述角色的来源、种族、发色、服装等。

角色标签触发示例

触发词	备注
1 lucy (cyberpunk)	‚úÖ 正确的角色标签
1 lucy	‚ùå 缺少括号注释
1 lucy (cyber)	‚ùå 错误的括号注释
lucy (cyberpunk)	‚ùå 缺少前缀1
1 lucy cyberpunk	‚ùå 缺少括号
1 lucy (cyberpunk	‚ùå 括号未闭合
1 lucky (cyberpunk)	‚ùå 拼写错误
1 lucy (cyberpunk: edgerunners)	‚ùå 括号注释不符合要求的角色标签格式

‚ùì 问题：为什么有些角色标签包含括号注释，例如lucy (cyberpunk)，而其他角色标签没有，例如frieren？

üí° 回答：在不同作品中，可能存在同名角色，例如《刀剑神域》和《蓝色档案》中的亚丝娜。为了区分这些同名角色，需要在角色名称后用作品名称进行注释，如果名称过长则缩写。对于目前没有重复的独特名称角色，如frieren，则不需要特殊注释。以下是一个示例：

质量标签和美学标签

对于AWA Diffusion，在正面提示词中包含质量描述符非常重要。质量描述涉及质量标签和美学标签。

质量标签直接描述生成图像的美学质量，影响细节、纹理、人体解剖、光照、色彩等。添加质量标签有助于模型生成更高质量的图像。质量标签从高到低排序如下： 惊人质量 -> 最佳质量 -> 高质量 -> 普通质量 -> 低质量 -> 最差质量

美学标签描述生成图像的美学特征，帮助模型产生具有艺术吸引力的图像。除了典型的美学词汇如透视，光影，AWA Diffusion还经过特殊训练，能有效响应美学触发词如美丽色彩，细节丰富和美学，分别表达吸引人的色彩、细节和整体美感。

推荐的通用质量描述方式为：(您的提示词), 美丽色彩, 细节丰富, 惊人质量

质量和美学标签技巧

1. 标签数量：只需一个质量标签；可以添加多个美学标签。
2. 标签位置：质量和美学标签的位置不固定，但通常置于提示词末尾。
3. 相对质量：质量没有绝对层次；隐含的质量与一般美学标准一致，不同用户对质量的感知可能不同。

评级标签

评级标签描述生成图像内容的暴露程度。评级标签从高到低排序如下：

评级: 普通（或安全） -> 评级: 暗示 -> 评级: 可疑 -> 评级: 明确（或NSFW）

提示词示例

示例1

A

by yoneyama mai, 1 frieren, 1girl, solo, 奇幻主题, 微笑, 手持魔法杖, 美丽色彩, 惊人质量

1. by yoneyama mai 触发米山舞的艺术风格，前置以增强效果。
2. 1 frieren 触发《葬送的芙莉莲》中的角色芙莉莲。
3. 美丽色彩 描述生成图像中的美丽色彩。
4. 惊人质量 描述生成图像的惊人质量。

B

by nixeu, 1 lucy (cyberpunk), 1girl, solo, 牛仔镜头, 渐变背景, 白色短款夹克, 内搭紧身衣, 短裤, 大腿袜, 臀部开衩, 细节丰富, 最佳质量

示例2：风格混合

通过叠加多个不同的风格标签，可以生成具有多种风格特征的图像。

A 简单混合

by ningen mame, by ciloranko, by sho (sho lwlw), 1girl, 1 初音未来, 坐姿, 手臂支撑, 微笑, 细节丰富, 惊人质量

B 加权混合

使用AUTOMATIC1111 WebUI提示词加权语法（括号加权），对不同风格标签进行加权，以更好地控制生成图像的风格。

(by ningen mame:0.8), (by ciloranko:1.1), (by sho (sho lwlw):1.2), 1girl, 1 初音未来, 坐姿, 手臂支撑, 微笑, 细节丰富, 惊人质量

C 高级混合

使用AUTOMATIC1111 WebUI提示词加权语法（括号加权），|符号可用于直接混合两个词。

(by trickortreat|by shiroski|by wlop|by baihuahua|by as109), 1girl, 1 初音未来, 坐姿, 手臂支撑, 微笑, 细节丰富, 惊人质量

示例3：多角色场景

通过在提示词中添加多个角色标签，可以生成同一画面中包含多个角色的图像。与其他类似模型相比，AWA在多角色场景中表现更好，但仍不稳定。

A 混合性别场景

1girl and 1boy, 1 甘雨 girl, 1 五条悟 boy, 美丽色彩, 惊人质量

B 同性别场景

2girls, 1 甘雨 girl, 1 宵宫 girl, 美丽色彩, 惊人质量

未来工作

与V1.0一样，AWA Diffusion预计将结合高层次的美学与全面的知识。它既不应有传统AI的油腻感，也不应成为知识匮乏的花瓶。 我们将继续探索更先进的训练技术和策略，并将更多更好的数据添加到我们的数据集中，持续提升模型的质量。

支持我们

训练AWA Diffusion产生了大量成本。如果您欣赏我们的工作，请考虑通过Ko-fi支持我们，以帮助我们的研发工作。感谢您的喜欢和支持！