接上一篇文章 “只要10秒，AI生成IP海报，解放双手”，这次是全网第一个“共享joy模型”，真的赚到了！
经过这段时间无数次的探索、试错、实验，最终积累了非常多的训练经验，在不同IP角色的训练上实际上需要调试非常多的参数以及素材。本次成功完成了Joy的Lora模型，虽然在泛化以及场景上未来还有着很多的空间，但是本次的模型已经可以帮助完成大部分的运用场景，无论是设计师，还是产品，还是运营，还是研发，都可以轻松实现Joy的海报生成，接下来我将为大家讲一讲如何实现。
老样子先来看看实际的效果吧！！！
生成过程
模型生成海报
接下来就来和大家讲一讲如何通过SD来生成Joy吧～
1、准备工作（在开始之前，准备好本次生成需要使用到的模型）
1、底模：revAnimated_v122EOL.safetensors
2、VAE：vae-ft-mse-840000-ema-pruned
3、京东Joy-Lora模型
4、京东Joy-起手式（prompt模版）
2、放置模型
1、底模：stable-diffusion-webui——models——Stable-diffusion
2、VAE：stable-diffusion-webui——models——VAE
3、京东Joy-Lora模型：stable-diffusion-webui——models——Lora
4、京东Joy-起手式：stable-diffusion-webui
3、打开SD
⚠️如果还不知道如何配置SD的同学可以看我之前的文章：“只要10秒，AI生成IP海报，解放双手”
4、模型设置
1、我们需要在Stable Diffusion模型中选择我们下载好的模型：revAnimated_v122EOL（当然这是我目前测试下来效果较好的底膜，你也可以下载并使用别的底膜进行尝试）
2、在模型的VAE中选择：vae-ft-mse-840000-ema-pruned（这个VAE的饱和度比较好一些，其他的VAE会使画面较灰）
5、Prompt使用
本次我已将Joy的基础Prompt设置成了模版（Joy起手式），后续大家可以根据自己想要的画面进行调整，我会讲一下本次Prompt的基础构成
1、正向词：正向词中只要分为3类，触发词+提示词+LoRA（越靠前的词汇权重就会越高）
- Joy的触发词为joy(ip)：只有输入这个触发词，画面中才会出现joy的形象
- 提示词：在提示词中主要分为自然语言+单词描述：用自然语言来形容Joy具体在做什么（如：joy ip is standing on the stone，jumping，sitting等，建议使用进行时）；用单词来形容画面中其他需要的元素（如：outdoors, day, grass, leaf, tree, flower, sunshine，等）
- Lora权重：权重进过我的测试，最高的效果是0.7，所以在Joy的lora模型上无脑设置0.7
2、负向词：主要描述你不想要的内容（如：lowres, bad anatomy, bad eyes, bad hands等，如果在生成过程中出现了你不想要的内容也可以在后续继续补充）
6、设置采样方式、采样迭代步数、尺寸、生成批次&数量
- 采样方式上我们选择：DPM++ SDE Karras
- 采样迭代步数：24-28之间（更具画面的复杂程度进行调试，如果画面元素较多则可以以4的倍数向上增加，需要注意在改变了步数以后会让画面产生变化）
- 尺寸：一般使用64的倍数，常用的尺寸如512*768（2:3），768*512（3:2），512*512（1:1），768*1152（2:3），1152*768（3:2），不限于这些尺寸，只是说这些尺寸下抽卡出现好画面的几率更高一些
- 生成批次、每批数量：在前期抽卡阶段（没有开高清修复阶段），可以把生成数量提高，来寻找喜欢的画面，在找到自己喜欢的画面后则需要设1去更精细化的抽卡
7、提示词相关性
1、提示词相关性：3-5之间效果更佳，如果没有出现IP可能是因为场景权重过高导致IP消失，可以尝试降低相关性或减少场景描述，提示词相关性是影响画面元素的非常重要的参数之一（其他影响的因素还有，迭代步数，重绘幅度，以及尺寸）
8、抽卡环节（快乐时间来了）
我们只需要嗑着瓜子，看着电视或者坐着别的事情，去挑一个动作、构图、元素、画面大致满意的底图（来作为后续打开高清的基础）
9、开启高清修复（完成一幅Joy大作）
在我们选出我们满意的底图后，需要做的就是锁定我们的seed，打开高清修复，调整我们的重绘幅度（重回幅度会影响画面变化的幅度，越低则变化越小，越高则变化越大）
- 锁定我们的seed值
- 将我们的放大算法改为：R-ESRGAN 4x+，调整重绘幅度0.1-0.7
- 保存我们想要的图
如果你对IP海报生成有好的想法，可在评论区留言反馈，也希望和大家有更多的交流和学习，感谢大家支持哦！！
作者：京东零售 徐仲巍
来源：京东云开发者社区 转载请注明来源
