跳到主要内容

图像生成微调

本节定位

当基础 Stable Diffusion 已经很强之后，新的问题就变成：

怎样让它更懂某个特定主体、特定风格或特定品牌视觉？

这就是图像生成微调真正要回答的问题。

学习目标​

  • 理解为什么图像生成模型也需要微调
  • 分清 DreamBooth、LoRA、Textual Inversion 的差别
  • 理解这些方法分别更像在“改什么”
  • 建立一个非常实用的选型直觉

先建立一张地图​

图像生成微调更适合按“你到底想改概念、风格，还是专属主体”来理解：

所以这节真正想解决的是：

  • 不是哪条路线最火
  • 而是你到底在微调什么目标

一、为什么基础模型还不够？​

基础模型当然已经会生成很多东西。
但真实需求通常会更具体：

  • 生成某个专属角色
  • 生成某种固定品牌风格
  • 让某个产品在不同场景里保持一致

这时只靠 prompt 往往不够稳定。

所以微调的本质可以先记成：

让模型在原有能力上，往某个更具体的视觉目标收敛。

1.1 一个更适合新人的总类比​

你可以把图像生成微调理解成：

  • 给一个已经会画很多东西的画师做“定向风格训练”

基础模型像一个会画很多题材的通才，
但你真正想要的可能是：

  • 某个固定 IP 角色
  • 某种品牌视觉
  • 某种专属风格

这时你不是要他从零学画画，
而是要他在某个方向上画得更稳定。

二、图像生成微调最核心的三种路线​

2.1 Textual Inversion​

最轻的一种思路。
它更像：

给模型学一个新的触发词 / 概念词。

2.2 LoRA​

更像：

给基础模型挂一个小型可插拔适配器。

2.3 DreamBooth​

更像：

强化模型对某个专属主体的记忆。

如果你先把这三个直觉区分开，后面很多术语就不会混。

三、Textual Inversion：为什么说它最轻？​

3.1 它本质上在学什么？​

不是大规模改整个模型，而是更像：

  • 学一个新的 token 表示

你可以把它理解成：

教模型认识一个新的“词”。

3.2 一个极简示意​

textual_inversion = {
    "new_token": "<my_style>",
    "meaning": "一种特定视觉风格",
    "learned_object": "token embedding"
}

print(textual_inversion)

3.3 它适合什么？​

  • 风格 trigger word
  • 某些轻量概念注入

它的优点是：

  • 轻
  • 快
  • 改动范围小

但能力通常不如更重的方案强。

四、LoRA：为什么它会成为工程上最常见的一条路？​

4.1 它最核心的思想​

LoRA 不是把原模型整份都改掉，而是：

学一个低成本的增量适配器。

这让它非常适合：

  • 在一个大基础模型上挂多个风格
  • 切换不同适配器
  • 降低训练和存储成本

4.2 一个简单示意​

base_model = "stable_diffusion_base"
lora_adapter = {
    "target": "attention blocks / U-Net blocks",
    "size": "small",
    "effect": "附加风格或主体控制能力"
}

print(base_model)
print(lora_adapter)

4.3 为什么它工程上特别实用？​

因为它特别适合：

  • 一个基础模型
  • 多个不同风格或角色适配器

也就是说：

不需要每个定制版本都保存一整份完整模型。

这就是 LoRA 特别流行的重要原因。

五、DreamBooth：为什么它更常用于“专属主体”？​

5.1 它在解决什么问题？​

DreamBooth 很常见的目标是：

  • 让模型学会某一个具体人物
  • 某一个具体物体
  • 某一个专属 IP 形象

5.2 为什么它比 Textual Inversion 更“强”？​

因为它通常不是只学一个词，而是更深地让模型适应这个主体在图像空间中的表现。

5.3 代价是什么？​

  • 更重
  • 更容易过拟合
  • 更依赖数据质量

所以你可以先粗略记成：

  • Textual Inversion：轻
  • LoRA：平衡
  • DreamBooth：更强但更重

六、怎么选？一个非常实用的判断​

6.1 如果你想要一个轻量风格触发词​

优先考虑：

  • Textual Inversion

6.2 如果你想要低成本、可插拔、可维护​

优先考虑：

  • LoRA

6.3 如果你想强力绑定某个专属主体​

优先考虑：

  • DreamBooth

所以真正好用的问题不是：

“哪个方法最强？”

而是：

“我到底在微调词、风格、还是主体？”

6.4 一个很适合初学者先记的选型表​

你的目标更稳的第一反应
先加一个触发词或轻概念Textual Inversion
想低成本维护很多风格版本LoRA
想强绑定一个具体人物 / 物体 / IPDreamBooth

这个表很适合新人，因为它会把方法选择重新拉回“目标到底是什么”。

七、为什么图像生成微调的评估特别难？​

因为这里不像分类任务，不能只看一个准确率。

你通常还要看：

  • 生成结果像不像目标风格
  • 主体是否稳定一致
  • 有没有过拟合训练图
  • 不同 prompt 下表现是否仍然稳

也就是说：

评估更像视觉与创意质量判断，而不是单指标判断。

7.1 一个很适合初学者先记的评估表​

评估维度最值得先问什么
风格一致性看起来像不像目标风格
主体一致性是不是同一个人 / 同一个物体
泛化稳定性换 prompt 后还稳不稳
过拟合会不会只会复读训练图

这个表很适合新人，因为它会把“评估很主观”重新拆成几个更可观察的问题。

八、一个很实用的经验总结表​

方法更像什么优点代价
Textual Inversion学一个新词轻量、快控制能力有限
LoRA装一个小适配器成本低、可切换仍需理解目标模块
DreamBooth学专属主体主体控制更强更重、更容易过拟合

这张表不是让你死记，而是让你形成判断习惯。

九、最常见的误区​

9.1 一上来就想全量微调​

很多时候完全没必要。

9.2 不清楚自己到底要微调“什么”​

是风格？主体？触发词？
这个问题不清楚，方法就很容易选错。

9.3 只看几张成功图​

真正重要的是：

  • 多 prompt 下稳不稳
  • 多次采样下像不像

如果把它做成项目或方案，最值得展示什么​

最值得展示的通常不是：

  • “我做了 SD 微调”

而是：

  1. 你的目标到底是概念、风格，还是主体
  2. 你为什么选了这条微调路线
  3. 评估时看了哪些维度
  4. 生成结果在哪些 prompt 下稳，哪些 prompt 下不稳

这样别人会更容易看出：

  • 你理解的是选型与评估
  • 不只是跑了一次训练脚本

小结​

这一节最重要的不是背 DreamBooth、LoRA、Textual Inversion 这些名字，而是理解：

图像生成微调的核心，是用不同代价去换取对风格、主体或概念更稳定的控制。

一旦这个判断建立起来，后面看具体训练工作流时就会轻松很多。

练习​

  1. 用自己的话解释 Textual Inversion、LoRA、DreamBooth 分别更像在“改什么”。
  2. 想一想：如果你只想给模型加一个风格 trigger word，为什么不一定需要 DreamBooth？
  3. 如果你要长期维护很多风格版本，为什么 LoRA 特别有工程价值？
  4. 为什么说图像生成微调的评估，比文本分类更依赖人工感知判断？