什么是 Textual Inversion？

即使想让它生成某个图像，很多时候也很难用文本很好地进行说明。

Textual Inversion 是将这种“难以用文本表现的外观和概念”，作为新单词让其记住的技术。

  • 首先，准备 1 个像 <my_keyword> 这样的虚拟单词。
  • 将那个单词和几张〜几十张氛围相似的图像作为一套展示给模型。
  • 模型学习“这些图像共通的特征”，并将那个信息埋入 <my_keyword> 这 1 个词中。

著名的例子有 easynegative 和 badhandv4 等。
通过收集大量的“失败图像”让其学习，将“图像生成中常发生的失败”的概念总结为一句话。

但是，这无法让原本的模型从零画出完全不会画的东西。
终究只是 模型原本知道，但不知道该用什么指令表达的东西。

那种情况下，需要 LoRA 或全量微调等，重新学习模型本体的手法。

由 Textual Inversion 制作的这 1 个词份的数据，习惯上被称为 embedding。

几乎不再被使用

Textual Inversion 虽然有学习轻便的优点，但现在几乎被 LoRA 取代了。

easynegative 和 badhandv4 等，也因为模型本身的性能提高了，基本不需要了。

例外的是，Checkpoint 或 LoRA 的作者，为了接近预想的输出，有时会一起分发专用的 embeddings。

为了引出模型的性能，使用者需要正确输入“作者预想的提示词”。但是，不限于所有使用者都会遵从那个，每次写细致的提示词也很麻烦。

于是，预先准备 embeddings，通过让使用者加入那个单词，来保证最低品质。

应用了 embedding 的 text2image

embedding 的下载

试着使用名为 Porsche 911 Turbo 的 embedding 吧。

  • Porsche 911 Turbo
  •  📂ComfyUI/
   └── 📂models/
       └── 📂embeddings/
           └── porsche911_ti.pt

工作流

SD1.5_embedding.json
  • 在 CLIP Text Encode 中写入 embedding:文件名 这样来调用 embedding。
    • e.g. embedding:porsche911_ti