Generator karakter video game ai
Ringkasan
Proyek ini memanfaatkan kekuatan difusi yang stabil, Dreambooth, dan Lora Technologies untuk menghasilkan karakter video game yang sangat dapat disesuaikan dan unik. Sistem ini membantu kreatif dalam menghasilkan gambar karakter yang terperinci, meningkatkan kreativitas dan menawarkan sejumlah besar kemungkinan desain karakter.
Fitur
- Generasi Karakter Kustom : Buat karakter video game dengan sifat dan atribut visual yang unik.
- Lanjutan Fine-tuning : Memanfaatkan DreamBooth dan Lora untuk penyetelan dan peningkatan model yang tepat.
- Fleksibilitas tinggi : Cocok untuk berbagai permainan dan gaya karakter.
Detail teknis
Tumpukan Teknologi
- Difusi stabil : Untuk pembuatan gambar karakter dasar.
- DreamBooth : Untuk menyempurnakan model tujuan umum untuk mengenali dan menghasilkan karakter spesifik baru.
- Lora (adaptasi peringkat rendah) : Diterapkan untuk penyempurnaan model yang ringan dan efisien, berfokus pada peningkatan aspek spesifik dari karakter yang dihasilkan.
Dataset
Dataset terdiri dari 31.800 gambar yang dikumpulkan dari 12 video game yang berbeda, dengan label dalam menggunakan alat seperti Deepdanbooru dan Blip untuk klasifikasi atribut yang akurat.
Arsitektur Model
- Model dasar : Difusi stabil v1.5, menghasilkan gambar dasar terperinci.
- Adaptasi DreamBooth : Meningkatkan kemampuan model untuk menghasilkan karakter baru yang spesifik tanpa kehilangan kemampuan umum.
- Adaptasi LORA : Memberikan peningkatan yang ditargetkan dengan sumber daya komputasi minimal, cocok untuk peningkatan karakter tunggal.
Instalasi
git clone https://github.com/VaradhKaushik/Ai-character-generation.git
cd Ai-character-generation
pip install -r requirements.txt
Ruang lingkup masa depan
- Langkah selanjutnya adalah mencoba model yang berbeda dengan pendekatan ini.
- Fine-tune model pada dataset resolusi tinggi.
- Comibne Lora dan model terlatih kami yang terlatih.
- Cobalah gaya pelatihan, pakaian, konsep Loras dan bandingkan hasilnya.
- Jelajahi penggunaan lycoris untuk fine-tuning model.
Referensi
- 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
Anggota tim
Alexander Seljuk, Varadh Kaushik, Girish Adari Kumar
