【ChilloutMix】今流行りのAIコスプレイヤーを生成してみた【基礎編】

AIコスプレイヤーとは

AIコスプレイヤーとは、その名の通り、AIで自動生成されたイラストの事です。先月の2月17日に「AIコスプレイヤー」というワードがTwitterトレンドに入りました。今話題のAIで自動生成されたイラストで実在しないコスプレイヤーをインフルエンサーが発信したことによって、さらに広く知れ渡りました。写実的な画風やセクシーさも相まって「もう人間はいらないのでは」「コスプレと関係ない」などと賛否両論の声が出ています。

https://twitter.com/auditore_k/status/1625759032828121088?s=20

Stable diffusion

まずは、「Stable diffusion」です。これはStability AIが開発したオープンソースの画像生成AIのことです。

Chilloutmix

「Stable diffusion」上で「Chilloutmix」を使用して画像を生成します。「Chilloutmix」は画像を生成する際に使用する学習済みのモデルの事です。この「Chilloutmix」はアジア人っぽい実写風画像を生成するのに向いていると言われています。
おそらくですが、日本人が作成したと思われます。その為、日本人好みの女性が作れるのが魅力で今人気のモデルとなっています。

LoRA

「LoRA」は数枚の被写体画像と対応するテキストを元にファインチューニングを行うことで、Text-to-Imageモデルに新たな被写体を学習させる手法です。「LoRA」は頭文字を取っており意味は「Low-Rank Adaptation of Large Language Models」です。このモデルは、「Civitai」というサービスで配布されています。「Civitai」は学習済みモデルやLoRAを配布・共有するサービスです。

用語を理解しよう！

Stable Diffusionを使用する際に使う用語

プロンプト

ネット上ではしばしば呪文と呼ばれ、どのような画像をAIに作成してもらうか指示する文字列のことです。
AIに指示する場合は、ポジティブプロンプトとネガティブプロンプトの2つがあります。

モデル

画像を生成する際に使用する学習済みのプログラムのこと。今回は、「Chilloutmix」を使用を前提に話を進めています。

LoRA

数枚の被写体画像と対応するテキストを元にファインチューニングを行うことで、Text-to-Imageモデルに新たな被写体を学習させる手法です。今回はLoRAを使用しません。LoRAを使用する方法は、別の記事でまとめたいと思います。

Stable Diffusion WebUI

ローカル環境ではなく、ブラウザ上で「Stable Diffusion」を操作できるインターフェイスの事です。これを使用しない場合、コマンドプロンプトで細かな設定を行う必要があります。

VAE

ChilloutMixの導入

今回紹介する方法ではGoogleアカウントが必要なります。

Stable Diffusionの画面の説明

Positive/Negative

AIでイラストを描く際に、一番重要な場所となります。プロンプトは2種類存在します。1つがポジティブプロンプト、もう1つがネガティブプロンプトです。ポジティブプロンプトは、AIに描いてほしいイラストを指示する文字列の事です。
逆に、ネガティブプロンプトは、AIに描いてほしくない要素を指示する文字列の事です。

Sampling method/Sampling steps

「Sampling method」は、フィードバック工程においてどのようなアルゴリズムを採用するのかを選べます。サンプリングモデルを変更すると、多少違いは出ますが、大きな違いはありません。その為、どれを選んでもいいです。ただ、色んな方のデータを見ていると「DPM++ SDE Karras」が多いので、僕はこれを選ぶ事が多いです。が、基本的には「Euler a」でOKです。

「Sampling Steps」は、画像生成におけるフィードバック工程を何回行うかを指定します。数を増やせば増やすほど精緻な絵になっていきますが、増やすほど時間がかかるようになります。今回、ご紹介しているやり方は、GoogleのGPU（グラフィックボード）を借りてイラストを生成する方法です。その為、処理が安定しない場合があり、このステップ数を増やすと処理落ちする事が発生します。また、ステップ数を増やしたからと言って良いイラストが生成されるとは限りません。初期設定の20でも十分で、そこそこに仕上がりますが、どうしても増やしたい場合の目安は100ぐらいまでです。僕は、50までに抑えています。Google のGPUを無料で使用している為、無制限に使用できるわけではありません。使い過ぎると、制限を掛けられます。だいたい12時間程で復活（遅くて1日）しますが、重い処理を繰り返すとすぐに容量の限界に達するので注意してくだい。

有料ユニットを購入すると、容量と処理速度がUpするようです。

Option

Restore faces

Generative Facial Prior GAN(GFPGAN)を用いて崩れがちな顔の補正を強力に行い、できるだけ左右対称を維持してくれます。ただ、人工的な顔になりがちな為、使用しない方が良いと思います。処理も重くなります。

Tiling

生成された1枚の画像をタイルのように上下左右に並べる事が可能なモードです。基本的には使用しません。

Highres. fix

512×512以上のサイズにしようとした場合などにきれいに画像がなるように調整してくるモードです。
Stablediffusionは512×512の画像でトレーニングしている為、トレーニング時と違うサイズで画像を生成すると学習した内容に対して想定外の状況になり、太ももから腕が生えたりします。
先に小さいサイズ(512×512)で画像を作成した後に、その画像を元に処理を行っていると思うので、やはり、処理は重くなります。

Image Size

「Height」と「Width」は出力画像のサイズです。モデルは512×512に最適化されているため、最も高品質な画像が生成されるのは512×512です。画像サイズは、そのままVRAMの使用量に反映されるため画像サイズが大きくなるとエラーになりやすくなります。オススメは、もちろん512×512ですが、変更する場合は、8の倍数で数値を上げるとバランスが良くなります。

オススメサイズ

• 512×512（デフォルト）
• 768 x 768
• 640 x 896
• 896 x 640
• 768 x 1024
• 1024 x 768

Batch

Stable Diffusionは画像生成を「バッチ」単位で行います。バッチを何回行うのかが「Batch count」、1回のバッチで何枚の画像を生成するのかが「Batch size」です。これも1回に生成する画像が多いとVRAM使用量が増える為、VRAMが少ない環境だとエラーが出やすくなります。オススメの方法は、「Batch count」で生成したい数を指定し、「Batch size」は1にしておくとエラーなく安定して画像生成ができます。

CFG Scale

「CFG Scale」は、プロンプトの指示にどれぐらい従うかを示す値です。数が大きいと相対的に指示に沿った内容になりますが、絵自体が崩れやすくなります。バランスが良いと言われているのは7～11です。

Seed

「Seed」はシード値です。「-1」だと毎回ランダム生成となります。-1以外で同じ数値にすると同じ画像が生成されます。この数値が1違うだけでも違う画像を出力します。この最大値は4294967295です。

Script

「Script」はスクリプトが使用できます。デフォルトは「None」となっていますが、ここについては、僕もちゃんと理解していない為、割愛します。基本はデフォルトでOKです。

Generate

最後に「Generate」をクリックして、イラストを生成します。

AIコスプレイヤーを生成してみよう！

Sample1

Sampling method	DPM++ SDE Karras
Sampling Steps	35
Restore faces/Tiling/Highres. fix
Width/Height	896 / 640
Batch count/Batch size	1 / 1
CFG Scale	10
Seed	100
Script	None

Sample2

Sampling method	Euler a
Sampling Steps	40
Restore faces/Tiling/Highres. fix
Width/Height	896 / 640
Batch count/Batch size	1 / 1
CFG Scale	10
Seed	581143517
Script	None

まとめ