Historiccolorsoonr Schnell

🚀 历史色彩快®（由 A.C.T. 快®出品）

历史色彩快®是一款多功能的视觉与文本生成模型，具备以下显著优势：

• 低步数高质量生成：在多数场景下，仅需 2 - 8 步推理，在 768x768 分辨率下进行 4 步推理，就能常规产出逼真的图像，其质量可与甚至超越 Flux v.1 Dev。
• 模拟彩色胶片摄影：能够生成逼真的图像，让人联想起彩色胶片模拟摄影，涵盖从奥多chrome到柯达chrome再到富士胶片等多种标志性的摄影风格和视觉范式。
• 呈现历史美学细节：生成的图像具有模糊的“历史”或“有生活气息”的美学特征，色彩和亮度动态出色，且在相同步数和资源消耗下，纹理、解剖结构和皮肤细节比其他模型更逼真。

🚀 快速开始

本模型可通过 🧨 diffusers 库使用，以下是具体步骤：

安装依赖

pip install -U diffusers

运行模型

import torch
from diffusers import FluxPipeline

pipe = FluxPipeline.from_pretrained("Shakker-Labs/AWPortrait-FL", torch_dtype=torch.bfloat16)
pipe.to("cuda")
pipe.enable_model_cpu_offload() #save some VRAM by offloading the model to CPU. Remove this if you have enough GPU power

prompt = "HST style autochrome film photograph portrait of 1910 woman playing poker against a purple feathered dinosaur, the green-eyed woman has moderately blemished skin with visible lines and pores, she smiles, film grain, Kodachrome"
image = pipe(
    prompt,
    guidance_scale=1.2,
    num_inference_steps=4,
    max_sequence_length=256,
    generator=torch.Generator("cpu").manual_seed(0)
).images[0]
image.save("hstcolor1.png")

更多信息请查看 diffusers 文档。

✨ 主要特性

• 低步数高质量生成：在多数场景下，仅需 2 - 8 步推理，在 768x768 分辨率下进行 4 步推理，就能常规产出逼真的图像，其质量可与甚至超越 Flux v.1 Dev。
• 模拟彩色胶片摄影：能够生成逼真的图像，让人联想起彩色胶片模拟摄影，涵盖从奥多chrome到柯达chrome再到富士胶片等多种标志性的摄影风格和视觉范式。
• 呈现历史美学细节：生成的图像具有模糊的“历史”或“有生活气息”的美学特征，色彩和亮度动态出色，且在相同步数和资源消耗下，纹理、解剖结构和皮肤细节比其他模型更逼真。

📚 详细文档

基础/方法/工具

• 主要基础模型：由 Black Forest Labs 开发的 FLUX.1-schnell。
• 次要基础模型：由 HumbleMikey 开发的 Pixelwave Schnell V.1。其 Safetensors 和 GGUF 权重可在 Hugging Face 或 CivitAI 上找到。
• 微调过程：主要基于 Sergey Prokudin - Gorsky 在 1900 年代和 1910 年代拍摄的约 500 张彩色照片对 Pixelwave Schnell V.1 进行微调。Prokudin - Gorsky 当时广泛旅行并拍摄照片，同时开创并完善了早期的三色合成摄影技术。
• LoRA 微调与合并：对 FLUX.1 - schnell 在同一数据集中的 130 张照片上进行全秩 LoRA 微调，创建 Historic Color Schnell LoRA。通过实验训练了另外五个 LoRA，并将最成功的结果与 Historic Color Schnell LoRA 合并。使用 Kohya - ss's sd - scripts git 的 'flux_merge_lora.py' 脚本进行合并，并在必要时使用 'convert_flux_lora.py' 脚本进行格式转换。最后将合并后的 LoRA 融入之前从 Pixelwave Schnell v.1 微调的检查点中。
• 训练适配器：使用 Ostris 为 Schnell 开发的训练适配器 ostris/FLUX.1-schnell-training-adapter。

触发词

你可以使用 HST 来增强复古/奥多chrome效果。不过，与历史色彩 LoRA 相比，该触发词对检查点的影响似乎没有那么大。

历史注释

Prokudin - Gorsky 的彩色摄影技术涉及使用专门的光谱滤镜（基本上是红、蓝、绿）进行三次同时或连续的曝光，将拍摄对象记录在涂有光敏混合物的玻璃板上。他注重提高显影剂和滤镜的质量，不断进行广泛的实验，并巧妙地优化玻璃板（玻璃板通常使用不便，尤其是用于彩色摄影，到 1910 年代，黑白实地拍摄中已逐渐过时，但在其他方面非常可靠），最终创作出了比同时代大多数人更逼真、更生动的彩色摄影作品。同时，他的摄影方法的特点以及他亲自执行的方式，导致最终照片中出现一系列独特的颜色、光线和运动伪影。这些温暖的色彩光晕和光斑很少影响整体图像，且比当时一些新兴的奥多chrome技术的缺点要轻，可被视为一种短暂的标志。这些特征也可靠地融入了我们为 Flux 开发的系列历史适配器中的第四个——这个 Flux Schnell LoRA。

🔧 技术细节

模型构建流程

1. 以 FLUX.1-schnell 和 Pixelwave Schnell V.1 为基础模型。
2. 基于 Sergey Prokudin - Gorsky 的约 500 张彩色照片对 Pixelwave Schnell V.1 进行微调。
3. 对 FLUX.1 - schnell 在 130 张照片上进行全秩 LoRA 微调，创建 Historic Color Schnell LoRA。
4. 实验训练另外五个 LoRA，并将成功结果与 Historic Color Schnell LoRA 合并。
5. 将合并后的 LoRA 融入 Pixelwave Schnell v.1 微调的检查点中。
6. 使用 ostris/FLUX.1-schnell-training-adapter 作为训练适配器。

触发词影响

使用 HST 可增强复古/奥多chrome效果，但对检查点的影响相对 Historic Color LoRA 较小。

📦 安装指南

安装 diffusers 库

pip install -U diffusers

💻 使用示例

基础用法

import torch
from diffusers import FluxPipeline

pipe = FluxPipeline.from_pretrained("Shakker-Labs/AWPortrait-FL", torch_dtype=torch.bfloat16)
pipe.to("cuda")
pipe.enable_model_cpu_offload() #save some VRAM by offloading the model to CPU. Remove this if you have enough GPU power

prompt = "HST style autochrome film photograph portrait of 1910 woman playing poker against a purple feathered dinosaur, the green-eyed woman has moderately blemished skin with visible lines and pores, she smiles, film grain, Kodachrome"
image = pipe(
    prompt,
    guidance_scale=1.2,
    num_inference_steps=4,
    max_sequence_length=256,
    generator=torch.Generator("cpu").manual_seed(0)
).images[0]
image.save("hstcolor1.png")

📄 许可证

本项目采用 Apache-2.0 许可证。

此外，如果你对文学尤其是旧现代主义诗歌感兴趣，不妨查看我的诗歌翻译作品 白银时代诗人！