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
微信扫一扫 
