什么是杂乱拼贴的优化？
杂乱拼贴的优化，顾名思义，就是制作“杂乱的拼贴图像”，并将其传递给基于指令的图像编辑模型，让其整理成自然的一张画的技巧。
先自己配置对象，然后把“变漂亮”、“变成自然的照片”等收尾工作交给模型，这样就可以在 将布局的主导权保留在人类这边的同时 使用 AI 的力量。
为什么不是 Subject 转移而是“图像编辑”
Flux Kontext 是基于指令的图像编辑模型的代表，原本是输入“1 张图像＋文本提示词”让其进行编辑的东西。 归根结底，“看参考图像，让相同的 Subject 在别的图像中登场”这样的用法本来就没有作为功能存在。
另一方面，它“编辑并重绘输入图像”的能力非常高，能够做比单纯改变颜色，或消除对象要复杂得多的事情。
于是我这样想了。
如果制作杂乱拼贴，并指示它“变成自然的照片”、“作为一张画不要有违和感”，能不能把 Suject 转移当作图像编辑任务来处理呢？ 和
实际上，这进行得很顺利，社区也愉快地使用着。
杂乱拼贴优化的优点
在最新的基于指令的图像编辑模型中，虽然支持多张图像输入，但尽管如此，杂乱拼贴的优化还是有几个优点。
可以原样保持位置信息
与其用文本写“希望把图像 1 配置在这里”，不如本来就输入“图像 1 被放在那里的状态的图像”，模型只需以该配置为以此为前提“整理得看起来自然”即可。
用文本指示布局是相当困难的，所以这可以算是明确的优势吧
没有参考数量的限制
在 Subject 转移系的手法中，由于架构上的原因，往往对“能输入的参考图像的数量”有限制。即使能输入很多图像，推断时间也会变长。
如果是杂乱拼贴，说极端点，只要能放在画布上，贴多少个对象都无所谓。可以将这所有的都作为“汇总整理”的编辑任务来处理。
关于专用 LoRA
为了让杂乱拼贴的优化更稳定，开发了几个专用的 LoRA。这里仅作介绍。