Cagliostro Research Lab发布Animagine XL 4.0动漫模型提升图像质量和生成灵活性

Cagliostro Research Lab发布Animagine XL 4.0模型，提供高分辨率输出（最高 1024×1024）、改进的提示理解、更快的生成速度和多样化的艺术风格支持。

修复手部/面部细节、增强色彩饱和度、降低内存需求并支持 LoRA 自定义。

Animagine XL 4.0指南与更新

Animagine XL 自发布以来一直是生成高质量动漫风格图像的强大工具。随着版本 4.0 的推出，其性能和灵活性得到了显著提升。本指南旨在提供有关如何优化 Animagine XL 4.0 的深入见解，涵盖其功能、使用技巧以及最新更新的详细信息。

Animagine XL 4.0 的关键更新

在调查过程中，我们不仅寻找解决问题的方法，还对 Anim4gine 进行了些许微调。我们发布了两个版本的 Anim4gine：Opt 和 Zero。Opt（优化版的缩写）使用了额外的数据集进行训练，并进一步优化以提高其性能，使其更适合一般使用。

另一方面，Zero 是预训练的基础模型，非常适合 LoRA 训练和微调。您可能会注意到，在以下样本中，这个版本的线条艺术更加清晰，背景也比基础模型过曝的背景更加扎实。

用 Animagine XL 4.0-Opt 生成

您可以在我们的 Huggingface 仓库中直接访问这些模型：

Opt: https://huggingface.co/cagliostrolab/animagine-xl-4.0 （与初始版本相同）

Zero: https://huggingface.co/cagliostrolab/animagine-xl-4.0-zero

Animagine XL 4.0 引入了一些关键变化，旨在提升图像质量和生成灵活性：

1. 图像生成质量提升

更高的细节和复杂性：新版在图像生成的质量上有所提升，尤其是在细节和图像的复杂性方面。生成的图像更加真实和自然，能够更好地呈现出细腻的纹理和复杂的光影效果。
增强的动画表现：特别针对动画生成进行了优化，使得动画的帧间过渡更加平滑，视觉效果更佳。

2. 运行效率优化

更高的生成速度：优化了算法，减少了生成图像所需的时间，同时在处理速度和质量之间实现了更好的平衡。这使得用户在生成大量图像或高分辨率图像时，能够得到更快速的响应。
计算资源的减少：新版优化了模型的计算资源需求，使得即使在硬件配置较低的设备上，依然能够高效运行。

3. 新训练方法与数据集

引入了新训练方法和更新的数据集，这些更新提升了模型在多样化和真实场景中的表现。通过引入更丰富的数据，模型可以更好地理解和生成不同风格和主题的图像。
更广泛的应用场景：通过新的训练方法，Animagine XL 4.0在不同类型的图像生成任务中都能展现出更好的适应能力。

4. 优化的用户体验

自定义功能：提供了更多自定义设置，用户可以根据个人需求调整生成的风格、质量和细节等，使得生成的图像更加符合期望。
增强的界面：优化了用户界面，使得操作更加简便和直观，即使是初学者也能轻松上手。

5. bug修复与性能改进

修复了一些已知的bug，例如图像生成过程中可能出现的错误或图像失真问题。
提升了稳定性，让生成过程更加流畅，避免了在长时间使用过程中出现崩溃或性能下降的问题。

Animagine XL 4.0指南

质量标签的放置#

首先，标签的顺序在这个模型中至关重要。自 3.0 和 3.1 版本以来一直如此，因为我们训练模型时使用了类似“1girl”、角色名、系列名等标签，顺序随意。在 4.0 版本中，我们忽略了这一点，误以为将质量标签放在提示词开头会有效。虽然结果还不错，但由于训练时质量标签从未放在前面，输出有时不够准确，导致某些概念和艺术风格无法正确呈现。

在此，我们强烈建议按照我们推荐的提示词指南，正确放置标签顺序。

现在，让我们深入探讨指南和对比吧！

提示词指南的总结可在图片中查看。

首先，我们建议你将增强或质量标签放在提示词的末尾，而不是开头（像我们之前建议的那样）。将增强或质量标签放在提示词开头会导致艺术家标签无法触发。

你可以看看下面的例子：

提示词中的评级标签#

通过在提示词列表中加入评级标签（safe、sensitive、nsfw 或 explicit），你能更大程度地让生成图像符合你想要的评级。加入“safe”标签会使模型更倾向于生成适合工作的图像，“sensitive”则适用于更暴露的服装。NSFW 标签（“不适合工作”）可能生成更暴露的服装或裸露，而“explicit”标签可能生成性行为内容。

看看下面的例子（当然，出于明显原因，我们无法提供 NSFW 和 Explicit 标签的示例）。

别忘了：加入系列标签！#

所以，你想生成游戏或动画漫画系列中的特定角色？别忘了在角色标签后加上系列/版权标签！我们的数据集在准备时就包含了系列标签和角色标签。如果你想生成某个角色并保留其原始外观，必须在提示词列表中加入系列标签。

但如果你想生成自己的原创角色呢？那你可以跳过这一步，直接在性别标签后使用通用标签~

艺术家标签的放置#

艺术家标签在提示词中的位置非常关键。我们不建议将艺术家标签放在提示词末尾，因为这会导致其失效。同样，如果没有包含角色的系列标签，使用艺术家标签也不推荐。如下面的例子所示，如果没有角色对应的系列标签，艺术家标签的效果会显著减弱。

别担心步数略高或略低！#

虽然我们推荐使用 5 CFG Scale 和 28 步生成，但某些图像可能需要略高或略低的步数才能达到最佳效果。请根据需要自由调整生成步数！

Anim4gine 与 Animagine-XL v3.1 提示词对比#

现在我们知道了 Anim4gine 模型的注意事项，不如再仔细看看？我们在 Anim4gine 发布博客中提到，其提示词与前代相似，用户可以轻松熟悉和适应。那么，让我们来看看是否真是如此🧐。下面的例子使用了几乎相同的提示词；区别在于它们各自的质量标签（标题中以粗体标出）、默认否定提示词和推荐设置（Anim4gine 为 CFG 5 & 28 步，v3.1 为 CFG 7 & 28 步）。