メインコンテンツへスキップ
見出し画像

【ゼロからはじめる】SD1.5で画像サイズを変えたら、人数が増えた!

    こんにちは。

    前回は、Civitaiで人気のアニメ系モデル上位5つを試しました。
    いちばん完成度が高く見えたのは、5位のHassakuでした。

    目標はこの子を生成することです。

    画像
    ChatGPTに作ってもらった白衣の子。

    そして前回の結果がこれです。

    画像
    前回、Hassakuで出た子。

    ・・・

    顔の雰囲気は近いのですが、白衣ではなく、全身も入っていません。

    そこで今回は、プロンプトはそのままで、画像サイズだけを変えてみたいと思います。
    Hassakuだけでなく、最初の記事で使った素のSD1.5でも同じサイズで出して、比べてみました。

    そして今回、画像サイズを変えて出た「この子」がこちらです。

    画像
    上が素のSD1.5、下がHassaku。左から512×512、512×768、1024×1024(各5枚から1枚)。

    ここからは、この結果に至るまでの過程です。

    設定は前回のまま

    モデルは前回のHassaku (SD1.5) v1.3と、最初の記事で使った素のSD1.5(v1-5-pruned-emaonly)の2つです。
    Steps 20、CFG 7、euler / normal は前回と同じです。

    1つの条件につき、Seedを20260920〜20260924に変えて5枚出しました。
    その中から1枚を選んで載せています。

    プロンプトも前回と同じです。

    ポジティブ(出したいもの)。

    1girl, solo, grey hair, bob cut, blunt bangs, hair over eyes, short twin braids,
    black ribbon, grey eyes, half-closed eyes, sleepy, blush, white lab coat,
    oversized coat, black t-shirt, white socks, black loafers, chibi, flat color,
    monochrome palette, simple background, white background, standing, looking at viewer

    ネガティブ(出したくないもの)。

    lowres, bad anatomy, bad hands, extra fingers, worst quality, low quality,
    blurry, colorful, saturated

    サイズは、Empty Latent Imageの「幅」と「高さ」で決めます。

    画像
    幅512・高さ768にしたところ。

    Hassakuで画像サイズを変える

    まずはHassakuで、前回と同じ512×512、縦長の512×768、横長の768×512の3つを出しました。

    画像
    512×512。前回の結果と同じ1枚です(比較用)。
    画像
    縦長 512×768。

    縦長にすると、白衣と黒いTシャツがはっきり出ました。
    ただ、デフォルメは少し弱くなって、頭身が上がっています。

    画像
    横長 768×512。

    ほかには、画面の両端に大きな脚が出たものや、ビル街の中に小さく立っているものがありました。

    5枚ずつ全部並べると、こうなりました。

    画像
    Hassaku。上から512×512、512×768、768×512(各5枚)。

    白衣が出たのは、512×512が5枚中3枚、縦長が5枚中4枚で、1枚増えました。
    ただ、頭から足まで入ったのはどちらも5枚中2枚で、全身が入りやすくなったとまでは言えません。

    Hassakuでは、どのサイズでも1人の子が出て、大きく崩れることはありませんでした。

    素のSD1.5でも出してみる

    次に、同じ3つのサイズを、素のSD1.5で出してみました。

    画像
    素のSD1.5。左から512×512、512×768、768×512(各5枚から1枚)。
    画像
    素のSD1.5。上から512×512、512×768、768×512(各5枚)。

    512×512では、5枚とも1人の子で、白いシャツやコートの子が出ました。
    黒髪の子も2枚ありましたが、Hassakuとそこまで大きな差はありません。

    ところが、縦長にすると、顔が縦に2つ並んだ絵が出てきました。
    横長では、5枚とも女の子が2人になりました。
    同じプロンプトで「1girl, solo」と書いているのに、1人になりません。

    もっと大きくしてみる

    それなら、もっと大きくするとどうなるのか試してみました。
    768×768、1024×1024、それに縦に細長い512×1024です。

    画像
    素のSD1.5。上から768×768、1024×1024、512×1024(各5枚)。

    素のSD1.5は、768×768で5枚とも2人になりました。
    1024×1024になると、画面いっぱいに何人もの女の子が詰め込まれた絵になりました。
    512×1024では、5枚中4枚が、頭の下にもう1人の頭が積み重なったような絵でした。

    画像
    Hassaku。上から768×768、1024×1024、512×1024(各5枚)。

    Hassakuは、768×768でも5枚中4枚が1人のままでした。
    1024×1024になると、2人や3人並んだ絵が5枚中2枚出てきました。
    一方で、512×1024は5枚とも1人で、頭から足先まで入った全身の絵になりました。
    ただ、頭身はかなり高くなって、デフォルメからは離れています。

    どちらも、1024×1024まで大きくすると人が増えました。
    ただ、素のSD1.5は512×512以外のほとんどのサイズで2人以上になったのに対して、Hassakuで人が増えたのは768×768と1024×1024だけでした。
    Hassakuの512×1024は、縦に細長いのに5枚とも1人で、しかも5枚とも頭から足まで入っていました。

    かかった時間

    1枚あたりの時間です。1枚目はモデルの読み込みが入るので、2〜5枚目の平均にしました。

    • 512×512:素のSD1.5 1.66秒、Hassaku 1.65秒

    • 512×768:素のSD1.5 2.21秒、Hassaku 2.25秒

    • 768×512:素のSD1.5 2.22秒、Hassaku 2.33秒

    • 512×1024:素のSD1.5 3.26秒、Hassaku 3.27秒

    • 768×768:素のSD1.5 3.79秒、Hassaku 3.45秒

    • 1024×1024:素のSD1.5 7.04秒、Hassaku 7.04秒

    時間はモデルによる差がほとんどなく、画像の大きさでほぼ決まっていました。
    1024×1024は、512×512の4倍ほどかかっています。

    サイズで絵が変わる理由

    Hugging FaceにあるSD1.5のモデルカード(元の配布元のページのミラー)には、SD1.5は512×512の画像で学習したと書かれていました。
    大きな画像を出そうとすると、512×512で覚えた「1人ぶんの絵」を、広い画面の中に何度も描いてしまうのだと思います。

    Hassakuのモデルページにも、「あまり大きな解像度にしないように。どのモデルも、大きな画像の広さの中で迷ってしまう」という注意がありました。
    Hassakuでも1024×1024で人が増えたのは、そのためだと思います。

    結果のまとめ

    Hassakuでは、縦長の512×768にすると、白衣の子が少し増えました。
    白衣が出た枚数は、512×512が3枚、縦長が4枚でした。
    全身がいちばん入ったのは512×1024でしたが、頭身が高くなりすぎて、デフォルメからは離れてしまいました。

    素のSD1.5は、512×512から離れると、すぐに女の子が2人に増えたり、顔が縦に並んだりしました。
    同じSD1.5でも、Hassakuのほうが大きなサイズに強く、1024×1024まで上げてはじめて人が増えました。

    人が増えず、白衣がいちばん多く出て、頭身もそこまで上がらなかったので、次からは縦長の512×768に固定することにしました。

    今日わかったこと3つ

    1. SD1.5は512×512で学習されていて、今回は1024×1024まで大きくすると、どちらのモデルでも1人のはずが2人以上に増えた

    2. 素のSD1.5は768×512の横長にするだけで5枚とも2人になったが、Hassakuは768×768まではほとんど1人のままだった

    3. Hassakuでは、縦長の512×768で白衣の子が少し増え、512×1024では5枚とも全身が入った

    次は、サイズを縦長に固定して、プロンプトの書き方を変えてみたいと思います。


    今回使ったワークフローです。前回と同じ7ノードで、Empty Latent Imageを512×768にしています。モデル本体は含まれていません。

    【次の記事】


    【おすすめ記事】


     
     

    Pudu

     
     
    ローカルの画像生成を学び直しています。

    あなたへのおすすめ