Deep Negative V1x - V1 75T

這個 embedding 會告訴你甚麼是 真正噁心的🤢🤮

所以請將它放入 negative prompt😜

⚠ 此模型非為 SDXL 訓練，且在 SDXL 中使用可能會導致不理想的結果。

如果你使用 SDXL，建議使用這個👇

另一個 deep-negative：

• pony 版本：https://civitai.com/models/831971

• SDXL 版本：https://civitai.com/models/407448

熱門問答

• 如何使用 TI 模型？

https://github.com/AUTOMATIC1111/stable-diffusion-webui/wiki/Textual-Inversion

• 什麼是 negative prompt？

https://github.com/AUTOMATIC1111/stable-diffusion-webui/wiki/Negative-prompt

[特別提醒] 如果你的 webui 報告以下錯誤：

- CUDA: CUDA error: device-side assert triggered

- Assertion -sizes[i] <= index && index < sizes[i] && "index out of bounds" failed

- XXX object has no attribute 'text_cond'

請嘗試使用非 75T 版本的模型。

> 原因是許多腳本無法妥善處理過長的負面提示詞（超過 75 個 token），選用較小的 token 版本可改善此問題。

[更新:230120] 它的功能是什麼？

這些 embedding 學習辨識噁心的構圖和色彩模式，包括錯誤的人體解剖、冒犯性的配色方案、顛倒的空間結構等。將其置於 negative prompt 中，有助於避免這些問題。

-

什麼是 2T 4T 16T 32T？

每個 token 的向量數量

[更新:230120] 什麼是 64T 75T？

64T：在混合數據集上訓練超過 30,000 步。

75T：embedding 最大尺寸限制，在 特殊數據集 上訓練 10,000 步（由多個不同的 sd 模型生成並經特殊反向處理）。

應該選擇哪一個？

• 75T：最“易用”的 embedding，由其精準且特殊方式創建的數據集訓練而成，幾乎無副作用，包含充足資訊覆蓋各種使用情境。但對某些“良好訓練模型”效果可能有限，且變化較細微。

• 64T：適用於所有模型，但有副作用，需要調整權重以找到最佳效果。推薦：[( NG_DeepNegative_V1_64T :0.9) :0.1]

• 32T：有用，但較重。

• 16T：降低繪製錯誤解剖的概率，但可能繪出醜陋的臉孔。適合提升建築層次。

• 4T：降低繪製錯誤解剖的概率，但對光影影響不大。

• 2T：“易用”如 75T，但效果較小。

建議

因為此 embedding 學習的是如何創造噁心概念，無法準確提升圖片質量，故最好與(worst quality, low quality, logo, text, watermark, username)等 negative prompt 一同使用。

當然，也可與其他類似負面 embedding 一起使用。

更多範例和測試

• 繪製建築：https://imgur.com/5aX9yrP

• 手部修正：https://imgur.com/rDlsrgS

• 肖像（搭配 PureErosFace）：https://imgur.com/1Lqq595 https://imgur.com/V5kXBXz

• 身體融合修正：

  

它是如何運作的？

我嘗試用 deepdream 算法讓 SD 學習什麼是真正噁心，數據集是 imagenet-mini（從數據集中隨機挑選的1000張圖片）。

deepdream 是 真滴超級 噁心 🤮，訓練這個模型的過程讓我有身體不適的感覺 😂

備份

https://huggingface.co/lenML/DeepNegative/tree/main