Der automatisierte Stable-Diffusion Checkpoint Merger, autoMBW.

Die Zusammenführung von Checkpoints ist leistungsstark.

Die Macht der Checkpoint-Zusammenführung ist unbestreitbar. Mit der Einführung der sdweb-merge-block-weighted-gui- Erweiterung von bbc-mc ist das Potenzial für die Zusammenführung von Prüfpunkten im Vergleich zu älteren Methoden exponentiell gestiegen. Tatsächlich ist diese Methode so leistungsstark, dass die meisten modernen Merge-Modelle MBW-Merges in ihre Konstruktion einbeziehen.

Einige Beispiele: AnythingV4 , AbyssOrangeMix2&3 und viele andere beliebte Modelle nutzen diese Methode der Merge-Konstruktion.

Einer der Hauptvorteile dieser neuen Methode ist die Möglichkeit, jede der 25 UNET-Ebenen innerhalb des Modells sowie den Text-Encoder zwischen Modell A und B fein abzustimmen. Dieses Maß an Flexibilität ermöglicht eine beispiellose Qualität bei Checkpoint-Zusammenführungen .

Die steile Lernkurve und der erhebliche Zeitaufwand, der für diese Methode erforderlich ist, haben jedoch zu langsamen Fortschritten bei der Entwicklung neuer Zusammenführungen geführt. Um MBW effektiv zu nutzen, müssen Benutzer viel Zeit damit verbringen, die von jedem Dezimalpunkt-Schieberegler einzeln vorgenommenen Änderungen zu optimieren und zu studieren. Daher konnten nur diejenigen, die sich intensiv mit dem Experimentieren mit der Technik beschäftigten, ihr Potenzial erfolgreich nutzen.

Das Streben nach Qualität war für die meisten zu entmutigend. Was ist also die Lösung?

Hier kommt autoMBW ins Spiel , ein komplexer Automerger, der ästhetische Klassifizierung nutzt, um den Prozess zu automatisieren.

Mithilfe von Brute-Force oder Binärzusammenführung testet autoMBW jedes Intervall auf jedem Schieberegler einzeln, ähnlich wie beim Knacken von Passwörtern. Der generierte Prüfpunkt wird dann verwendet, um Bilder zu erstellen, die in einen ästhetischen Klassifikator eingespeist werden, z. B. „ cafe-aesthetic“ oder „laion-V2“ , der einen ästhetischen Wert ausgibt, der die durch die Optimierung dieses spezifischen Werts bei der Zusammenführung vorgenommenen Änderungen einordnet.

Dieser Vorgang wird tausende Male wiederholt und die Werte mit den höchsten Punktzahlen werden ausgewählt, um eine „mathematisch perfekte“ Zusammenführung ohne menschliches Eingreifen zu erstellen.

Der Prozess der Verwendung von autoMBW für die Checkpoint-Zusammenführung nimmt enorm viel Zeit in Anspruch. Mit folgenden Parametern:

• Suchalgorithmus: Binary Mid Pass 2x (ein langsamerer, aber genauerer Binary 2x, 2x für doppelte Geschwindigkeit/doppelten Schieberegler)
• Passanzahl: Doublepass (doppelt so langsam)
• Bilderzeugung: 42 Schritte, 4-fache Stapelgröße, 768 x 768

Es ist erwähnenswert, dass die endgültige Qualität der Zusammenführung wohl auch besser ist. Daher wurden Silicon28 und Silicon29, das erste und zweite Modell, das auf dieser Fusionsmethode basiert, für die folgenden Vergleiche verwendet, um die potenzielle Qualität dieser Methode zu demonstrieren.

Die folgenden Vergleiche werden mit dem Skript durchgeführt: X/Y/Z-Eingabeaufforderung.

Beide Silicon-Modelle weisen eine weitgehend spürbare Detailsteigerung sowohl in der Textur als auch in der Beleuchtung und Komposition auf.

In diesem Vergleich hat Silicon29 die Nase vorn, da im Bild viel mehr Details zu erkennen sind und die Farbgebung einfach viel beeindruckender ist.

Im Alltagsleben überzeugen alle Modelle gleichermaßen.

Hier ist etwas mit AOM2 passiert, da es anscheinend mit der Pixel-Art-Eingabeaufforderung zusammengebrochen ist.

Es ist interessant, darauf hinzuweisen, dass die Siliziummodelle (28/29) eine viel bessere Leistung erbringen, da die Anatomie für diese spezielle Eingabeaufforderung größtenteils intakt zu bleiben scheint.

Wie Sie sehen, ist die Qualität mit beliebten Fusionsmodellen vergleichbar, wenn nicht sogar besser.

Die Ergebnisse der Verwendung von autoMBW für die Checkpoint-Zusammenführung sind beeindruckend, wie die Vergleiche mit gängigen zusammengeführten Modellen zeigen. Tatsächlich ist die Qualität vergleichbar, wenn nicht sogar besser, was ein Beweis für die Wirksamkeit ist.

Es ist wichtig zu betonen, dass der Prozess der Verwendung von autoMBW zur Checkpoint-Zusammenführung zwar zeitaufwändig sein kann, die Ergebnisse jedoch beeindruckend sind und für sich sprechen. Die von autoMBW verwendete ästhetische Klassifizierung stellt sicher, dass jedes UNET-Verhältnis im endgültigen zusammengeführten Modell speziell auf die Eingabemodelle zugeschnitten ist und nicht auf eine vorgefertigte allgemeine Formel.

Mit seiner Fähigkeit, den Feinabstimmungsprozess des Zusammenführens zu automatisieren, bietet autoMBW unerfahrenen Zusammenführungen eine effizientere und effektivere Möglichkeit, qualitativ hochwertige Ergebnisse zu erzielen, wie die beeindruckenden Ergebnisse von Silicon29 zeigen.

Ich gebe zu, dass die in diesem Artikel präsentierten Ergebnisse sorgfältig ausgewählt wurden (natürlich, warum sollten sie das nicht auch?) und dass jedes der gezeigten Modelle seine eigenen einzigartigen Stärken und Qualitäten hat. Die Vergleiche in diesem Artikel sind ebenfalls recht einfach und zeigen im wahrsten Sinne des Wortes einen kleinen Ausschnitt der vollen Qualitäten jedes dieser Modelle (z. B. zeichnen sich beide Silicon-Modelle auch durch Ultraweitwinkelbilder aus). Daher empfehle ich dringend, mit jedem Modell selbst zu experimentieren, um die Nuancen und Unterschiede zwischen ihnen besser zu verstehen.

Silicon28 & Silicon29 finden Sie hier:

https://huggingface.co/Xynon/SD-Silicon

AbyssOrangeMix finden Sie hier:

https://huggingface.co/WarriorMama777/OrangeMixs

AnythingV4.5 finden Sie hier:

https://huggingface.co/andite/anything-v4.0

AutoMBW finden Sie hier:

https://github.com/Xerxemi/sdweb-auto-MBW

Hinweis: Ich bin zusammen mit Xynon#7407 Mitentwickler der autoMBW- und Silicon-Modelle. Wenn das also nach Eigenwerbung aussieht, ist es das wirklich ;)

Hinweis: Wir arbeiten jetzt schon seit fast einem Monat daran, also könnte ich genauso gut ein wenig prahlen .

Hinweis: Dies war das erste Mal, dass ich einen Artikel dieser Art geschrieben habe. Wenn Sie es hierher geschafft haben, vielen Dank!