Hyper-SDの前進のTCDでAnimagineでの検証
TCDは、Hyper-SDが登場する前の爆速生成用のものになります。
先に結論を伝えると、Hyper-SDの方が安定するのと生成の質が高いことがわかりました。
TCDのAnimagine用のLoRAは下記にあります。
TCDとは！？
TCD（Trajectory Consistency Distillation）は、深層学習やAI分野において、特にモデルの学習効率や精度を向上させるために利用される手法の一つです。
この手法は、モデルが学習過程で生成する特徴や予測の「軌跡（Trajectory）」を一貫して維持することに重点を置きます。
具体的には、教師モデル（Teacher Model）の出力と、生徒モデル（Student Model）の出力の間で軌跡の整合性を保つことで、より高精度で効率的な学習を実現します。
TCDを使うメリット
Hyper-SD同様に少ないパラメータで生成でき、高精度な画像が生成するものです。
モデルの軽量化を図りつつ、性能の維持や向上を実現します。
少ない計算リソースで効果を発揮できるため、TCDを使用することでリソースが限られた環境など活用しやすいのが特徴です。
TCDより高性能なHyper-SD
TCDを使うよりHyper-SDの方が安定し、なおかつ高精度のAI画像を生成できます。
下記に詳しい内容を記載しているので参考にしてみてください。
TCD検証設定パラメータ
CFG:2
Stesps:8
Sampling method:DPM++ 2M Karras
<lora:tcd-animaginexl-3_1:1
checkPointはもちろんAnimaginexl-v3です。
AnimagineをTCDを使用して生成した結果
TCD・・・あんまりです。
ただ、Sampling Methodを変更して試してみました。
SEED値固定で、XYZプロンプトで実施してみました。
ばらつきが凄いので、まともに生成出来たものを載せています。
ただ、１枚だけの比較なのでガチャ要素は強めかもしれません。
Euler_Smea+TCD
凄いいい感じで色合いから線もイラストな感じで良い。
TCDでも良い感じに生成できると割ったケース。
Euler A SGMUniform
足の生成はギリギリかなという感じですが、これもTCDでもイケると思わせてくれるAI画像です。
他あんまりでした。
Animagine用TCD検証した結論
全体を見るとTCDは、Euler系のsampling methodが適していることが分かりました。
全体の生成結果の画像は下記に置いておきますので参考にしてください。
いいなと思ったら応援しよう！
