防模糊 Flux Lora - v1.0
精選圖片
推薦反向提示詞
blur, dof
推薦參數
samplers
steps
cfg
resolution
other models
推薦高解析度參數
upscaler
upscale
denoising strength
提示
調整 Lora 權重以控制景深：0 為 Flux 常見淺景深，1.0 為平衡景深且有悅目散景，超過 1.0 則呈現 3.0 以上深景深效果。
搭配 hires.fix 使用 AntiBlur Lora，可提升圖像細節並減少淺景深瑕疵。
無需觸發詞，直接連接 Lora 即可使用。
模型訓練使用大量包含焦點堆疊及深景深影像的資料，確保風格中立且降低瑕疵。
版本亮點
AntiBlur Lora 已大幅改進！
新 Lora 的改進：
景深可由 Lora 權重調節。
權重為 0 時，會呈現 Flux 生成常見的淺景深。
預設權重 1.0 時，景深會降低至（希望）更悅目的畫面，且風格與構圖不會明顯變化。目標是將權重 1 的景深調整到符合預期的狀態：局部呈現少許優良散景，而非 Flux 常見的過度散景（後文會詳述）。
權重超過 1.0 可用於創造深景深鏡頭。Lora 可承載最高達 3.0 以上的權重，且畫質不會明顯銳減。
風格中立
資料集由數百張 Flux 生成圖片組成，避免風格偏離原始模型過遠，同時加入少量真實照片，以防止 Flux 在構圖上的退化（如以 AI 自身圖片訓練時常見）。
無需觸發詞
只要連接 Lora 即可生效。
與 Hires.fix 配合良好
該 Lora 能與 hiresfix 搭配使用，進一步提升細節並降低淺景深瑕疵。純 Flux 無法達成此效果，因嘗試對模糊且淺景深的影像使用 hires.fix，影像仍將保持相同模糊和景深效果。只有影像細節先開始顯示，hires.fix 才可進一步提升效果。
大幅減少瑕疵
使用 Flux 生成圖片能有效減少瑕疵。我訓練過多款模型，並用 anashel 的工具 將最佳模型合併，此舉平滑了單一模型引起的邊緣瑕疵，且提升模型風格多樣性。
為何 Lora 權重高達 655mb？
我原以為主打“深景深”效果的 Lora 應較小，因不引入新風格或概念，只需剔除淺景深即可。
嘗試過不同階級的 Lora，但發現背景資訊遍布潛空間各處，模型越大效果越理想，最終選擇 128 階 Lora。
可分離 Lora 層級，僅用含景深資訊層，但景深資訊普散於多數層中。以生成微距鏡頭為例，景深由初層產生。背景資訊遍佈模型全域，且 Flux 訓練資料常呈現淺景深狀態。更糟糕的是，Flux 對景深及模糊的理解比 SD1.5/SDXL 差許多，不僅量更大，且控制更差。
這個 Lora 如何製作？
我先匯集使用焦點堆疊及深景深技術的大量資料集，基於此訓練新 Lora，接著用該 Lora 生成新的圖片資料集。
整理數百個“antiblur” Lora 變體，挑選擁有獨特優點的最佳款，合併成一個均衡模型。
接下來計劃？
階級越高品質越佳，改進效果明顯方法是全域微調（有效觸及潛空間涵蓋背景資訊的全域），再提取 Lora。
另一理論方法是在 Flux 潛空間中尋找“模糊”或“景深”概念／權重，並以反向權重製作 Lora，但此法於基於 SD 的模型調控景深效果不佳。
目前對成果感到滿意，該模型將暫時是我最佳力作。
AntiBlur Lora 已大幅改進！
新 Lora 的改進：
景深可由 Lora 權重調節。
權重為 0 時，會呈現 Flux 生成常見的淺景深。
預設權重 1.0 時，景深會降低至（希望）更悅目的畫面，且風格與構圖不會有明顯變化。目標是將權重 1.0 的景深調整到符合預期的狀態：局部呈現少許優良的散景，而非 Flux 常見過度散景（後文會詳述）。
權重超過 1.0 可用於創造深景深鏡頭。Lora 可承載最高達 3.0 以上的權重，且畫質不會明顯下降。
風格中立
資料集由數百張 Flux 生成圖片組成，避免風格過度偏離原始模型，同時加入少量真實照片，以防止 Flux 在構圖上的退化（後者常因以 AI 自身畫作訓練而產生）。
與 Hires.fix 良好搭配
此 Lora 與 hiresfix 搭配時效果良好，可進一步提升細節並減少淺景深現象。基礎 Flux 模型無法達成此效果，因為對模糊淺景深影像進行 hires.fix 時，仍會保持相同的模糊與景深效果。影像必須先顯現細節，hires.fix 才能進一步增強畫面。
無需觸發詞
只需連接 Lora，即能達成效果。
大幅減少雜訊
使用 Flux 生成的圖片能最小化雜訊。我還訓練了多個模型，並使用 anashel 提供的工具 將最佳模型融合，平滑了單一模型可能產生的邊緣雜訊。此外，合併模型能顯著提升風格多樣性。
為何 Lora 權重高達 655mb？
我認為主打“深景深”效果的 Lora 應該較小，因為它並未引入新風格或概念，只是需剔除淺景深。
我試驗過不同階級的 Lora，但發現背景資訊遍佈潛空間各處，模型體積越大，效果越佳。因此最終選擇128階 Lora。
雖可分離 Lora 的層級只使用含有景深資訊的層，但景深資訊散落於多數層級中。比如宏觀鏡頭的景深由初層生成。背景資訊遍佈模型全域，Flux 的訓練資料導致常出現淺景深狀態。更糟的是，Flux 對景深及模糊的理解遠不及 SD1.5/SDXL，不僅存在比例較大，控制亦比 SD1.5/SDXL 差。
這個 Lora 如何製成？
我先蒐集使用焦點堆疊技術與深景深的龐大資料集，基於此訓練新 Lora，接著用該 Lora 生成新的圖片資料集。
我擁有數百個“antiblur” Lora 變體，挑選出各有所長的優秀版本，將其合併成一個平衡良好的模型。
接下來的計劃？
階級越高品質越好，提升結果的明顯方式是訓練全面微調模型（實際觸及潛空間中所有包含背景資訊的角落），然後再提取 Lora。
另一理論選項是尋找 Flux 潛空間中的“模糊”或“景深”概念/權重，並以反轉權重製作 Lora。不過此法在基於 SD 的模型中調控景深的成效並不理想。
目前我對成果感到滿意，此模型將暫時保持為我最佳成果。
