Stable Diffusion【二次元模型】：超级出色的动漫大模型Animagine XL 3.1介绍

大家好，我是wdf。

今天给大家介绍的是一个动漫风格的大模型Animagine XL 3.1。

Animagine XL 3.1 基于 Stable Diffusion XL 构建，旨在通过生成准确而详细的动漫角色，成为动漫迷、艺术家和内容创作者的宝贵资源。

Animagine XL 3.1 是 Animagine XL V3 系列的升级更新，增强了之前的 Animagine XL 3.0版本，经过升级改进，可以生成更高质量的动漫风格图像。它增强了手部解剖结构能力、改进了概念理解和提示词解析能力。

一. Animagine XL 3.1模型使用指南

在C站官网给出了该模型的使用指南，这里我们梳理一下重点，以便加强对这个模型的理解和使用。

1. 结构化的提示词模版

Prompt：1girl/1boy, character name, from what series, everything else in any order.

提示词：1男孩/1女孩，什么角色，来自哪个系列，其他描述词

例如：

Prompt：1girl, tifa lockhart, final fantasy

提示词：女孩，蒂法·洛克哈特，最终幻想

当然我们也可以不参照官方的提示词模版，直接自己写提示词。不过最好还是按照官方的结构化提示词模版来写，这样效果最好。

2. 特殊标签

Animagine XL 3.1 利用特殊标签来指导最终生成图片结果的质量、评级、创建日期和美观。虽然模型可以生成没有这些标签的图像，但使用它们可以帮助获得更好的结果。

（1）质量标签：用于控制图片的质量

质量标签通过给标签评分，以确保平衡的质量分布。改进了标签以提高清晰度，例如将“高质量（high quality）”更改为“优质（great quality）”。

Quality Modifier	Score Criterion  
masterpiece（高质量）	        > 95%  
best quality（最好的质量）	> 85% & ≤ 95%  
great quality（优秀的质量）	> 75% & ≤ 85%  
good quality（高品质）	        > 50% & ≤ 75%  
normal quality（正常质量）	> 25% & ≤ 50%  
low quality（低质量）	        > 10% & ≤ 25%  
worst quality（最差质量）	≤ 10%
1
2
3
4
5
6
7
8

为了简单和清晰，简化了评级标签，旨在建立可应用于不同模型的全局规则。例如，标签“评级：一般（rating: general）”现在只是“一般（general）”，“评级：敏感（rating: sensitive）”已压缩为“敏感（sensitive）”。

Rating Modifier	    Rating Criterion  
safe	            General  
sensitive	    Sensitive  
nsfw	            Questionable  
explicit, nsfw	    Explicit
1
2
3
4
5

（2）年份标签

重新定义了年份的范围，以更准确地区分是特定的现代艺术风格还是复古动漫艺术风格。

Year Tag	Year Range  
newest（最新）	        2021 to 2024  
recent（最近）	        2018 to 2020  
mid（中期）	        2015 to 2017  
early（早期）	        2011 to 2014  
oldest（最老）	        2005 to 2010
1
2
3
4
5
6

（3）美学标签

通过美观标签增强图片的画面美观程度，根据视觉吸引力完善内容分类。这些标签源自专门的 ViT（Vision Transformer）图像分类模型所做的评估，该模型专门针对动漫数据进行了训练。为此，使用了模型shadowlilac/aesthetic-shadow-v2，它在接受训练之前评估内容的美学价值。这确保了每条内容不仅相关且准确，而且具有视觉吸引力。

Aesthetic Tag	                    Score Range  
very aesthetic（非常美观）	       > 0.71  
aesthetic（审美）	               > 0.45 & < 0.71  
displeasing（令人不愉快的）	       > 0.27 & < 0.45  
very displeasing（非常令人不愉快的）     ≤ 0.27
1
2
3
4
5

上面介绍的推荐标签，大家在写提示词的时候注意一下这些关键词的描述即可。

3. 推荐设置

（1）正向提示词

为了获得更高质量的结果，在正向提示前添加以下关键词

masterpiece, best quality, very aesthetic, absurdres
1

(2) 反向提示词

为了引导模型生成高美观的图像，使用负面提示词

nsfw, lowres, (bad), text, error, fewer, extra, missing, worst quality, jpeg artifacts, low quality, watermark, unfinished, displeasing, oldest, early, chromatic aberration, signature, extra digits, artistic error, username, scan, [abstract]
1

（3）该模型推荐的参数设置：

• 采样器：Eular a

• 采样迭代步数：低于30

• CFG：5-7

（4）分辨率

该模型支持生成以下尺寸的图像

Dimensions	Aspect Ratio  
1024 x 1024	1:1 Square  
1152 x 896	9:7  
896 x 1152	7:9  
1216 x 832	19:13  
832 x 1216	13:19  
1344 x 768	7:4 Horizontal  
768 x 1344	4:7 Vertical  
1536 x 640	12:5 Horizontal  
640 x 1536	5:12 Vertical
1
2
3
4
5
6
7
8
9
10

4. 局限性

（1）以动漫为中心：此模型专为生成动漫风格的图像而设计，不适合创建逼真的照片。

（2）提示词复杂性：此模型可能不适合希望通过简短提示词获得高质量结果。该模型的重点是概念理解而不是审美细化，因此可能需要更详细和更具体的提示词才能实现想要的效果。

（3）提示词格式：Animagine XL 3.1 针对 Danbooru 风格的标签而不是自然语言提示词进行了优化。为了获得最佳结果，鼓励用户使用适当的标签和语法来格式化提示词。

（4）解剖学和手部渲染：尽管在解剖学和手部渲染方面做出了改进，但仍然存在模型在这些领域产生次优结果的情况。

（5）数据集大小：用于训练 Animagine XL 3.1 的数据集包含大约 870,000 张图像。与上一次迭代的数据集（120 万）相结合，总共训练的数据约为 210 万张图像。尽管数据集大小很大，但对于“终极”动漫模型来说，该数据集大小仍可能被认为是有限的。

（6）NSFW 内容：Animagine XL 3.1 旨在生成更加平衡的 NSFW 内容。然而，值得注意的是，即使没有明确提示，该模型仍然可能产生 NSFW 结果。

Animagine XL 3.1的目标是为用户提供透明度并设定符合用户实际需求的模型。尽管存在这些限制，我们相信该模型代表了动漫风格图像生成的重要一步，并为艺术家、设计师和爱好者提供了强大的工具。

二. 模型下载地址和使用体验地址

模型下载地址

C站：https://civitai.com/models/260267

Huggingface: https://huggingface.co/cagliostrolab/animagine-xl-3.1/tree/main

TensorArt：

https://tensor.art/models/706485991197825616

模型使用体验地址

**Huggingface：**https://huggingface.co/spaces/cagliostrolab/animagine-xl-3.1

SeaArt.ai：https://www.seaart.ai/zhCN

三. 模型对比

1. Animagine XL 3.1 与Animagine XL 3.0

正向提示词：best quality, 1girl

反向提示词：worst quality, low quality, nomal quality, bad anatomy, NSFW

Animagine XL 3.0

Animagine XL 3.1​​

强光源、露出耳朵的发型、逆光感等主要特征依然存在，但Animagine XL 3.0特有的长缝眼睛和粉红脸颊不再明显，曝光度也有所降低。另外，在Animagine XL 3.0中，虽然有一种皮肤有光泽的感觉，但这种感觉也有所减弱，整体感觉更加平静。

此外，Animagine XL 3.1 中的线条比 Animagine XL 3.0 中的线条更细、更清晰，而且感觉不那么厚重和立体，使其更加平坦。

2. Animagine XL 3.1美学标签比较

从上面图片可以看出，美学标签对于图片中线条的清晰度和颜色的变化会产生一些影响。如果使用质量低的标签，手指可能会看起来断了。

3. Animagine XL 3.1年份标签比较

年份标签中年份长（oldest）并不意味着品质就会下降，可以根据自己需要的风格来使用。

红润、狭长、锐利的眼睛是newest、late才有的特征，而mid以下则较为自然。

4. Animagine XL 3.1年份标签和美学标签的效果比较

好了，今天的分享就到这里了，希望今天分享的内容对大家有所帮助。

END

写在最后

感兴趣的小伙伴，赠送全套AIGC学习资料，包含AI绘画、AI人工智能等前沿科技教程和软件工具，具体看这里。

AIGC技术的未来发展前景广阔，随着人工智能技术的不断发展，AIGC技术也将不断提高。未来，AIGC技术将在游戏和计算领域得到更广泛的应用，使游戏和计算系统具有更高效、更智能、更灵活的特性。同时，AIGC技术也将与人工智能技术紧密结合，在更多的领域得到广泛应用，对程序员来说影响至关重要。未来，AIGC技术将继续得到提高，同时也将与人工智能技术紧密结合，在更多的领域得到广泛应用。
 

一、AIGC所有方向的学习路线

AIGC所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。

二、AIGC必备工具

工具都帮大家整理好了，安装就可直接上手！

三、最新AIGC学习笔记

当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。

四、AIGC视频教程合集

观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。

五、实战案例

纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

若有侵权，请联系删除