Deep Negative
这个负面嵌入可以应用于写实类的图片,通过将令人厌恶的构图和颜色模式,包括错误的人体解剖学、令人反感的配色方案、颠倒的空间结构,等训练打包,将其置于负面可以大大避免这些事情。
因为这种嵌入是在学习如何创建恶心的概念,它无法准确地提高图片质量,所以最好与“worst quality,low quality, logo, text, watermark, username”这些负面提示一起使用。
当然,与其他类似的负嵌入一起使用是完全可以的。
案例:
正面提示词:
PureErosFace_V1,[highly detailed face:0.1],
a full body portrait of a 21 years old beautiful gorgeous cute busty Korean kpop girl, (jieunc_kor:0.8), slender body, detailed face, perfect anatomy, contrapposto, Cannon EOS 5D MARK III, 50mm Sigma f/1.4 ZEISS lens, F1.4, 1/800s, ISO 100, photorealistic, trending on instagram
其他负面提示词:
worst quality, low quality, logo, text, monochrome,nipples, nude
模型:
chilloutmix_NiPrunedFp32Fix.safetensors
没有添加Deep Negative的效果(随机生成8张):
添加Deep Negative的效果(随机生成8张):
虽然效果并不想我们想象的那么明显,但是还是可以看得出来,增加了Deep Negative之后斗鸡眼、大头娃娃、畸形的身体、多余或者残缺的肢体等出现的概率降低了!
但是我们要明确的是,这种效果只是统计学意义上的有效,并不是百分百有效,意思就是,增加了某个embeddings之后,假如连续抽卡100次,良品率从原来的40-50%上升到了70-80%。
这是我们在课程中多次讲到过的“统计学”的概念,所以,当你遇到不加某个embeddings抽到了一张好图片,加了某个embeddings反而抽到了一张烂图片,这种情况,也不要觉得奇怪!
原创文章,作者:朋远方,如若转载,请注明出处:https://caovan.com/ruhezaistable-diffusionzhongshiyongembeddings/.html