AI绘画-Stable Diffusion超级出色的【二次元】动漫大模型-Animagine

最新推荐文章于 2025-05-14 22:20:15 发布

Android学习小分队

最新推荐文章于 2025-05-14 22:20:15 发布

阅读量853

点赞数 7

文章标签： AI作画 stable diffusion FLUX ComfyUI AI漫画 AI二次元

本文链接：https://blog.csdn.net/m0_56144365/article/details/145512428

版权

二次元动漫，以其独特的魅力，吸引了无数艺术爱好者和动漫迷。如今，借助AI绘画技术，你只需一键操作，就能轻松实现二次元动漫的创作。本文将带你深入了解Stable
Diffusion的二次元动漫大模型-Animagine，助你轻松掌握这一技巧。

Stable
Diffusion是一款基于深度学习的图像生成模型，它能够在没有任何人类指导的情况下生成高质量、逼真的图像。与传统的图像生成技术相比，Stable
Diffusion具有更高的生成质量和更快的生成速度。
在这里插入图片描述

今天给大家介绍的是一个动漫风格的大模型Animagine XL 3.1。

Animagine XL 3.1 基于 Stable Diffusion XL
构建，旨在通过生成准确而详细的动漫角色，成为动漫迷、艺术家和内容创作者的宝贵资源。

Animagine XL 3.1 是 Animagine XL V3 系列的升级更新，增强了之前的 Animagine XL
3.0版本，经过升级改进，可以生成更高质量的动漫风格图像。它增强了手部解剖结构能力、改进了概念理解和提示词解析能力。

一.Animagine XL 3.1模型使用指南

在C站官网给出了该模型的使用指南，这里我们梳理一下重点，以便加强对这个模型的理解和使用。

1. 结构化的提示词模版

Prompt：1girl/1boy, character name, from what series, everything else in any
order.

提示词：1男孩/1女孩，什么角色，来自哪个系列，其他描述词

例如：

Prompt：1girl, tifa lockhart, final fantasy

提示词：女孩，蒂法·洛克哈特，最终幻想

当然我们也可以不参照官方的提示词模版，直接自己写提示词。不过最好还是按照官方的结构化提示词模版来写，这样效果最好。

2. 特殊标签

Animagine XL 3.1
利用特殊标签来指导最终生成图片结果的质量、评级、创建日期和美观。虽然模型可以生成没有这些标签的图像，但使用它们可以帮助获得更好的结果。

（1）质量标签：用于控制图片的质量

质量标签通过给标签评分，以确保平衡的质量分布。改进了标签以提高清晰度，例如将“高质量（high quality）”更改为“优质（great
quality）”。

Quality Modifier	Score Criterion  
masterpiece（高质量）	        > 95%  
best quality（最好的质量）	> 85% & ≤ 95%  
great quality（优秀的质量）	> 75% & ≤ 85%  
good quality（高品质）	        > 50% & ≤ 75%  
normal quality（正常质量）	> 25% & ≤ 50%  
low quality（低质量）	        > 10% & ≤ 25%  
worst quality（最差质量）	≤ 10%


  * 1
  * 2
  * 3
  * 4
  * 5
  * 6
  * 7
  * 8

为了简单和清晰，简化了评级标签，旨在建立可应用于不同模型的全局规则。例如，标签“评级：一般（rating:
general）”现在只是“一般（general）”，“评级：敏感（rating: sensitive）”已压缩为“敏感（sensitive）”。

Rating Modifier	    Rating Criterion  
safe	            General  
sensitive	    Sensitive  
nsfw	            Questionable  
explicit, nsfw	    Explicit


  * 1
  * 2
  * 3
  * 4
  * 5

（2）年份标签

重新定义了年份的范围，以更准确地区分是特定的现代艺术风格还是复古动漫艺术风格。

Year Tag	Year Range  
newest（最新）	        2021 to 2024  
recent（最近）	        2018 to 2020  
mid（中期）	        2015 to 2017  
early（早期）	        2011 to 2014  
oldest（最老）	        2005 to 2010


  * 1
  * 2
  * 3
  * 4
  * 5
  * 6

（3）美学标签

通过美观标签增强图片的画面美观程度，根据视觉吸引力完善内容分类。这些标签源自专门的 ViT（Vision
Transformer）图像分类模型所做的评估，该模型专门针对动漫数据进行了训练。为此，使用了模型shadowlilac/aesthetic-
shadow-v2，它在接受训练之前评估内容的美学价值。这确保了每条内容不仅相关且准确，而且具有视觉吸引力。

Aesthetic Tag	                    Score Range  
very aesthetic（非常美观）	       > 0.71  
aesthetic（审美）	               > 0.45 & < 0.71  
displeasing（令人不愉快的）	       > 0.27 & < 0.45  
very displeasing（非常令人不愉快的）     ≤ 0.27


  * 1
  * 2
  * 3
  * 4
  * 5

上面介绍的推荐标签，大家在写提示词的时候注意一下这些关键词的描述即可。

3. 推荐设置

（1）正向提示词

为了获得更高质量的结果，在正向提示前添加以下关键词

masterpiece, best quality, very aesthetic, absurdres


  * 1

(2) 反向提示词

为了引导模型生成高美观的图像，使用负面提示词

nsfw, lowres, (bad), text, error, fewer, extra, missing, worst quality, jpeg artifacts, low quality, watermark, unfinished, displeasing, oldest, early, chromatic aberration, signature, extra digits, artistic error, username, scan, [abstract]


  * 1

（3）该模型推荐的参数设置：

采样器：Eular a
采样迭代步数：低于30
CFG：5-7

（4）分辨率

该模型支持生成以下尺寸的图像

Dimensions	Aspect Ratio  
1024 x 1024	1:1 Square  
1152 x 896	9:7  
896 x 1152	7:9  
1216 x 832	19:13  
832 x 1216	13:19  
1344 x 768	7:4 Horizontal  
768 x 1344	4:7 Vertical  
1536 x 640	12:5 Horizontal  
640 x 1536	5:12 Vertical


  * 1
  * 2
  * 3
  * 4
  * 5
  * 6
  * 7
  * 8
  * 9
  * 10

4. 局限性

（1）以动漫为中心 ：此模型专为生成动漫风格的图像而设计，不适合创建逼真的照片。

（2）提示词复杂性
：此模型可能不适合希望通过简短提示词获得高质量结果。该模型的重点是概念理解而不是审美细化，因此可能需要更详细和更具体的提示词才能实现想要的效果。

（3）提示词格式 ：Animagine XL 3.1 针对 Danbooru
风格的标签而不是自然语言提示词进行了优化。为了获得最佳结果，鼓励用户使用适当的标签和语法来格式化提示词。

（4）解剖学和手部渲染 ：尽管在解剖学和手部渲染方面做出了改进，但仍然存在模型在这些领域产生次优结果的情况。

（5）数据集大小 ：用于训练 Animagine XL 3.1 的数据集包含大约 870,000 张图像。与上一次迭代的数据集（120
万）相结合，总共训练的数据约为 210 万张图像。尽管数据集大小很大，但对于“终极”动漫模型来说，该数据集大小仍可能被认为是有限的。

（6）NSFW 内容 ：Animagine XL 3.1 旨在生成更加平衡的 NSFW
内容。然而，值得注意的是，即使没有明确提示，该模型仍然可能产生 NSFW 结果。

Animagine XL
3.1的目标是为用户提供透明度并设定符合用户实际需求的模型。尽管存在这些限制，我们相信该模型代表了动漫风格图像生成的重要一步，并为艺术家、设计师和爱好者提供了强大的工具。

二.模型下载地址和使用体验地址 （注意相关插件及安装包文末可自行扫描获取）

模型下载地址