AI Video Game Character Generator
Überblick
Dieses Projekt nutzt die Kraft stabiler Diffusions-, Dreambooth- und Lora -Technologien, um hochpassbare und einzigartige Videospielcharaktere zu erzeugen. Dieses System unterstützt die Erzeugung detaillierter Zeichenbilder, die Steigerung der Kreativität und das Anbieten einer Vielzahl von Möglichkeiten von Charakteren.
Merkmale
- Benutzerdefinierte Charaktergenerierung : Erstellen Sie Videospielcharaktere mit einzigartigen visuellen Eigenschaften und Attributen.
- Erweiterte Feinabstimmung : Verwendet Dreambooth und Lora für eine präzise Modellabstimmung und -verstärkung.
- Hohe Flexibilität : Geeignet für eine breite Palette von Spielen und Charakterstilen.
Technische Details
Technologiestapel
- Stabile Diffusion : Für die Erzeugung des Basischarakterbildes.
- DreamBooth : Um das allgemeine Modell zu erkennen, um neue spezifische Zeichen zu erkennen und zu generieren.
- LORA (Anpassung mit geringem Rang) : Angewendet für leichte und effiziente Modellfeineinstellungen und konzentriert sich auf die Verbesserung spezifischer Aspekte der generierten Zeichen.
Datensatz
Der Datensatz besteht aus 31.800 Bildern, die aus 12 verschiedenen Videospielen gesammelt wurden, wobei Deep -Markierung Tools wie Deepdanbooru und Blip für eine genaue Attributklassifizierung verwendet.
Modellarchitektur
- Basismodell : Stabile Diffusion v1.5, generieren detaillierte Basisbilder.
- Dreambooth Adaption : Verbessert die Fähigkeit des Modells, neue, spezifische Zeichen zu generieren, ohne allgemeine Funktionen zu verlieren.
- LORA -Anpassung : Bietet gezielte Verbesserungen mit minimalen Rechenressourcen, die für die Verbesserung des Einzelcharakters geeignet sind.
Installation
git clone https://github.com/VaradhKaushik/Ai-character-generation.git
cd Ai-character-generation
pip install -r requirements.txt
Zukünftiger Umfang
- Der nächste Schritt besteht darin, verschiedene Modelle mit diesem Ansatz auszuprobieren.
- Fein des Modells auf einem hochauflösenden Datensatz optimieren.
- Comibne Lora und unser Dreambooth ausgebildetes Modell.
- Versuchen Sie Trainingsstil, Kleidung, Konzept -Loras und vergleichen Sie die Ergebnisse.
- Erforschen Sie die Verwendung von Lycoris für die Modellfeineinstellung.
Referenzen
- https://huggingface.co/runwayml/stable-diffusion-v1-5
- https://github.com/shivamshrirao/diffusers/tree/main/examples/dreambooth
- https://huggingface.co/blog/stable_diffusion
- https://huggingface.co/docs/diffusers/training/lora?installation=pytorch
- https://github.com/huggingface/diffusers/tree/main/examples/text_to_image
- https://civitai.com/models/4468?modelversionId=57618
- https://github.com/automatic1111/stable-diffusion-webui
- https://huggingface.co/openai/clip-vit-base-patch32
- https://github.com/kichangkim/deepdanbooru
Teammitglieder
Alexander Seljuk, Varadh Kaushik, Girish Adari Kumar
