NoobAI完整指南

```html

歡迎來到 NoobAI 指南

本文件提供了全面、完整和最新的 NoobAI-XL 模型介紹。

什麼是 Noob?

NoobAI-XL 是一個由Laxhar Dream Lab 開發的文本到圖像擴散模型，並由Lanyun贊助。

該模型的證書繼承自fair-ai-public-license-1.0-sd ，並有一些限制（見NoobAI-XL 模型證書）。該模型基於 SDXL 的模型架構。其基礎模型為Illustrious-xl-early-release-v0 模型。它在完整的Danbooru 和e621 數據集（約 1300 萬張圖像）上進行了大量輪次的訓練，擁有豐富的知識和卓越的性能。

Epsilon 與 V-pred

NoobAI-XL 擁有大量知識，可以恢復數萬種 2D 角色和藝術家的風格，識別大量 2D 中的特殊概念，並擁有豐富的毛茸茸知識。

NoobAI-XL 提供噪聲預測（或稱epsilon 預測）和V 預測版本。簡而言之，噪聲預測版本生成的圖像更加多樣和創意，而 V 預測版本則更遵循提示，生成的圖像色彩範圍更廣，光影更強。

NoobAI-XL 擁有日益豐富的生態系統社區支持，包括各種 LoRA、ControlNet 、IP-Adapter 等等。

NoobAI-XL 包含一系列模型，主要是噪聲預測和 V 預測，將在後面詳細說明。

快速開始

在閱讀本節之前，讀者需要已經了解任何類型的原始圖像 UI 的基本用法，例如WebUI 、ComfyUI 、forge 或reForge 。否則，讀者需要從這裡或從互聯網（如 Bilibili 等）學習。

網站	鏈接
CivitAI	點擊這裡
LiblibAI	點擊這裡
Huggingface	點擊這裡

如果你不知道該下載哪個模型，可以在這裡瀏覽。

模型加載

NoobAI-XL 模型分為兩類：噪聲預測（epsilon 預測，或簡稱eps-pred）模型和 V 預測（v-prediction，或簡稱v-pred）模型。名稱中包含“eps”、“epsilon-pred”或“eps-pred”的模型是噪聲預測模型，與其他模型沒有太大區別。如果你使用它們，可以直接跳過這一部分。名稱中包含“v”或“v-pred”的模型是 V 預測模型，與大多數傳統模型不同。請仔細閱讀本節中的安裝指南！V 預測模型的原理可以在這篇文章中找到。

V 預測模型的加載

V 預測是一種相對少見的模型訓練技術。使用此技術訓練的模型稱為 V 預測模型。與噪聲預測相比，V 預測模型以對提示的更高服從性、更全面的色彩範圍和更強的光影著稱，代表作品包括NovelAI Diffusion V3 和COSXL 。由於其出現較晚且此類模型較少，一些主流圖形項目和 UI 不直接支持它。因此，如果你計劃使用 V 預測模型，你需要一些額外的操作。本節將介紹其具體用法。如果在使用過程中遇到任何困難，你也可以直接聯繫任何模型作者尋求幫助。

A. 在 forge 或 reForge 中使用

Forge 和reForge 是由lllyasviel 和Panchovix 分別開發的兩個 AI 圖像生成 UI，都是 WebUI 的擴展版本。它們的主分支支持 V 預測模型，操作模式幾乎與 WebUI 相同，因此推薦使用。如果你已經安裝了其中一個，只需在其安裝目錄中運行git pull 更新並重新啟動；如果你尚未安裝，可以參考在線教程進行安裝和使用。

B. 在 ComfyUI 中使用

ComfyUI 是由comfyanonymous 開發的圖像生成 UI，允許用戶自由操作節點，以其靈活性和專業性而聞名。使用 V 預測模型只需添加額外的節點。

C. 在 WebUI 中使用

WebUI 是由AUTOMATIC1111 開發的項目。當前，WebUI 的主分支不支持 V 預測模型，需要切換到 dev。請注意，這種方法不穩定，可能會有錯誤。不當使用甚至可能對 WebUI 造成不可逆的損壞。因此，請提前備份你的 WebUI。具體方法如下：

1. 如果你尚未安裝 WebUI，請參考在線教程進行安裝。
2. 在你的 stable-diffusion-webui 安裝目錄中打開控制台或終端。
3. 輸入命令git checkout dev 並按 Enter。
4. 重新啟動 WebUI。

D. 在 Diffusers 中使用

Diffusers 是一個專門的 Python 擴散模型庫。這種用法要求用戶具備一定的編程基礎，建議開發者和研究人員使用。代碼示例：

import torch
from diffusers import StableDiffusionXLPipeline, EulerDiscreteScheduler

ckpt_path = "/path/to/model.safetensors"
pipe = StableDiffusionXLPipeline.from_single_file(
    ckpt_path,
    use_safetensors=True,
    torch_dtype=torch.float16,
)
scheduler_args = {"prediction_type": "v_prediction", "rescale_betas_zero_snr": True}
pipe.scheduler = EulerDiscreteScheduler.from_config(pipe.scheduler.config, **scheduler_args)
pipe.enable_xformers_memory_efficient_attention()
pipe = pipe.to("cuda")

prompt = """masterpiece, best quality, john_kafka, nixeu, quasarcake, chromatic aberration, film grain, horror \(theme\), limited palette, x-shaped pupils, high contrast, color contrast, cold colors, arlecchino \(genshin impact\), black theme, gritty, graphite \(medium\)"""
negative_prompt = "nsfw, worst quality, old, early, low quality, lowres, signature, username, logo, bad hands, mutated hands, mammal, anthro, furry, ambiguous form, feral, semi-anthro"

image = pipe(
    prompt=prompt,
    negative_prompt=negative_prompt,
    width=832,
    height=1216,
    num_inference_steps=28,
    guidance_scale=5,
    generator=torch.Generator().manual_seed(42),
).images[0]

image.save("output.png")

3. 模型使用
4. 提示

NoobAI-XL 對提示詞沒有硬性要求，本文中推薦的行動只是錦上添花。

NoobAI-XL 建議用戶使用標籤作為提示來添加所需內容。每個標籤都是用英文逗號“,”分隔的英文單詞或短語，來自 Danbooru 和 e621 的標籤效果更強。欲進一步改進，請參見提示規範。

我們建議始終添加美學標籤“very awa”和質量標籤“masterpiece”到你的提示中。

NoobAI-XL 支持生成高保真角色和藝術風格，均由標籤觸發，我們稱之為“觸發詞”。其中，角色的觸發詞是其角色名稱；藝術風格的觸發詞是藝術家的名稱。完整的觸發詞表可以從noob-wiki 下載。觸發詞的詳細解釋可以在下文找到。

類似於 NovelAI，NoobAI-XL 支持質量、美學、創作年份、創作時期和安全評級等特殊標籤以輔助使用。有興趣的讀者可以參見後文的詳細介紹。

2. 生成參數

A. 基本參數

以下表格推薦三個生成參數：採樣器、採樣步驟和CFG 比例。粗體是強烈推薦；紅色粗體是硬性要求。使用其他參數值將帶來意想不到的效果。

版本號	所有噪聲預測版本	V 預測 1.0 版本	V 預測 0.9r 版本	V 預測 0.75s 版本	V 預測 0.65s 版本	V 預測版本 0.6	V 預測版本 0.5	V 預測 Beta
推薦參數	採樣器：Euler A CFG：5~7 採樣步驟：28~35	採樣器：Euler CFG：3.5~5.5 採樣步驟：32~40採樣器：Euler A CFG：3~5 採樣步驟：28~40	採樣器：Euler CFG：3.5~5.5 採樣步驟：32~40採樣器：Euler A CFG：3~5 採樣步驟：28~40	採樣器：Euler A CFG：3~5 採樣步驟：28~40	採樣器：Euler A 或 Euler CFG：3.5~5.5 採樣步驟：32~40採樣器：Euler A CFG：5~7 採樣步驟：28~40	採樣器：Euler CFG：3.5~5.5 採樣步驟：28~35	採樣器：Euler CFG：3.5~5.5 採樣步驟：28~40	採樣器：Euler A CFG：5~7 採樣步驟：28~35

B. 如何更好地使用 V 預測模型

對於 V 預測模型，建議以下參數以 (i) 優化顏色、光影和細節；(ii) 消除過飽和和過曝的影響；(iii) 增強語義理解。

1. 任何帶有Rescale CFG（約 0.7 左右）參數的優化器。一些圖像生成 UI 不支持它。
2. 或者，Euler Ancestor CFG ++ 採樣器，並將 CFG 比例設置在1 和 1.8之間。一些圖像生成 UI 不支持它。

C. 解析度

生成圖像的解析度（寬 x 高）是一個重要參數。一般來說，出於架構原因，所有 SDXL 模型，包括 NoobAI-XL，都需要使用特定解析度以達到最佳效果。不允許多於或少於這些像素，否則生成圖像的質量將會降低。NoobAI-XL 的推薦解析度如下表所示：

解析度（W x H）	768×1344	832×1216	896×1152	1024×1024	1152×896	1216×832	1344×768
比例	9:16	2:3	3:4	1:1	4:3	3:2	16:9

你也可以使用更大的區域解析度，儘管這不穩定。（根據 SD3 研究，當生成區域變為原始區域的 $$$$倍數時，模型的不確定性將變為原始 $$k^$$ 的倍數。）我們建議生成圖像的區域不超過原始的 1.5 倍。例如，1024×1536。

3. 其他注意事項

1. V 預測模型對提示和生成參數更敏感。
2. CLIP 跳過不適用於所有 SDXL 架構模型，因此無需設置。
3. 該模型不需要使用任何其他 VAE 模型。

4. 其他資源

• 這篇文章提供了 NoobAI-XL 的初學者指南，建議初學者閱讀。

3. 進階使用

如果你對該模型感興趣並想了解更多，這一節提供了使用該模型的詳細指南。

1. 模型列表
2. 基礎模型

NoobAI-XL 包含多個不同版本的基礎模型。以下表格總結了每個版本的特點。

版本號	預測類型	下載鏈接	迭代自	版本特點
Early-Access	噪聲預測	CivitAIHuggingface	Illustrious-xl-early-release-v0	最早的版本，但已經有足夠的訓練。
Epsilon-pred 0.5	噪聲預測	CivitAIHuggingface	Early-Access	（推薦）最穩定的版本，唯一的缺點是缺乏對晦澀概念的知識。
Epsilon-pred 0.6	噪聲預測	Huggingface	Early-Access 0.5	（推薦）最後一個僅訓練 UNet 的版本，具有優秀的收斂效果。測試團隊稱為“178000”，受到許多人喜愛。
Epsilon-pred 0.75	噪聲預測	CivitAIHuggingface	Epsilon-pred 0.6	文本編碼器（TTE）被訓練以學習更多晦澀知識，但質量性能下降。
Epsilon-pred 0.77	噪聲預測	Huggingface	Epsilon-pred 0.75	在 Epsilon-pred 0.75 的基礎上訓練了兩個輪次，改善了性能下降。
Epsilon-pred 1.0	噪聲預測	CivitAIHuggingface	Epsilon-pred 0.77	（推薦）額外訓練 10 輪以鞏固 tte 的新知識，性能平衡。
Pre-test	V 預測	CivitAIHuggingface	Epsilon-pred 0.5	（不推薦）V 預測的初始實驗版本。
V-pred 0.5	V 預測	CivitAIHuggingface	Epsilon-pred 1.0	（不推薦）存在高飽和問題。
V-pred 0.6	V 預測	CivitAIHuggingface	V-pred 0.5	（不推薦）根據初步評估結果，V-pred0.6 在稀有知識覆蓋方面表現良好，達到目前發布的模型中最高水平。同時，該模型顯著改善了質量下降問題。
V-pred 0.65	V 預測	Huggingface	V-pred 0.6	（不推薦）存在飽和問題。
V-pred 0.65s	V 預測	CivitAIHuggingface	V-pred 0.6	飽和問題幾乎解決！但存在伪影問題，將在下一版本中解決。
Epsilon-pred 1.1	噪聲預測	CivitAIHuggingface	Epsilon-pred 1.0	（推薦）平均亮度問題已解決，各方面都有所改善。
V-pred 0.75	V 預測	Huggingface	V-pred 0.65	（不推薦）存在飽和問題。
V-pred 0.75s	V 預測	CivitAIHuggingface	V-pred 0.65	（推薦）解決極端情況下的飽和、殘留噪聲和伪影問題。
V-pred 0.9r	V 預測	CivitAI	V-pred 0.75	使用約 10% 現實數據進行訓練。存在降級。
V-pred 1.0	V 預測	CivitAI	V-pred 0.75	（推薦）最佳平衡質量/性能/顏色。

2. 擴展模型：ControlNet

預測類型	ControlNet 類型	鏈接	預處理器類型	備註
噪聲預測	Hed 軟邊緣	CivitAIHuggingface	softedge_hed
噪聲預測	動漫線稿	CivitAIHuggingface	lineart_anime
噪聲預測	Midas 正常圖	CivitAIHuggingface	normal_midas
噪聲預測	Midas 深度圖	CivitAIHuggingface	depth_midas
噪聲預測	Canny 輪廓	CivitAIHuggingface	canny
噪聲預測	Openpose 人體骨架	CivitAIHuggingface	openpose
噪聲預測	漫畫線	CivitAIHuggingface	manga_line / lineart_anime / lineart_realistic
噪聲預測	現實線稿	CivitAIHuggingface	lineart_realistic
噪聲預測	Midas 深度圖	CivitAIHuggingface	depth_midas	新版本
噪聲預測	HED 塗鴉	CivitAIHuggingface	scribble_hed
噪聲預測	Pidinet 塗鴉	CivitAIHuggingface	scribble_pidinet
噪聲預測	瓷磚	CivitAIHuggingface	tile

注意，在使用 ControlNet 時，你必須將所使用的預處理器類型與 ControlNet 所需的預處理器類型匹配。此外，你可能不需要將基礎模型的預測類型與 ControlNet 的預測類型匹配。

3. 擴展模型：IP-Adapter

敬請期待。

4. LoRA 模型

大多數 LoRA 可以用於噪聲預測和 V 預測版本，反之亦然。

2. 提示指導

首先，我們需要澄清提示的作用是引導。好的提示可以釋放模型的潛力，但壞的甚至錯誤的提示不一定會使結果變得更糟。不同的模型對提示的最佳使用方式不同，誤用的效果往往不明顯，在某些情況下，甚至可能有所改善。這個提示指南記錄了理論上最佳的模型提示工程，具備能力的讀者也可以自由使用。

本節將提供撰寫提示的詳細指南，包括提示撰寫標準、角色和風格觸發詞的具體用法、特殊標籤的使用等等。有興趣的讀者可以選擇性閱讀。

1. 提示規範

NoobAI-XL 的提示規範與其他類似動漫的基礎模型相同。本節將系統地介紹提示的基本撰寫規範，幫助讀者消除社區中的常見誤解。

根據不同的格式，提示大致可以分為兩類：標籤和自然語言。前者主要用於動漫模型，後者主要用於現實模型。無論哪種提示，除非模型另有說明，否則應僅包含英文字母、數字和符號。

標籤由小寫英文字或短語組成，並用英文逗號“,”分隔，例如，“1girl, solo, blue hair”包含三個標籤，“1girl”、“solo”和“blue hair”。

提示中的多餘空格和換行字符不會影響實際生成效果。換句話說，“1girl, solo, blue hair”和“1girl, solo, blue hair”具有完全相同的效果。

提示中不應包含任何下劃線“_”。受 Danbooru 等網站的影響，使用下劃線“_”而不是空格來分隔單詞作為標籤的做法已經流傳，這實際上是一種誤用，會導致生成結果與使用空格時不同。包括 NoobAI-XL 在內的大多數模型不建議在提示中包含任何下劃線。這種誤用在最佳情況下會影響生成質量，最糟糕的情況下甚至會使觸發詞完全無效。

必要時轉義括號。括號，包括圓括號 ()、方括號 [] 和大括號 {}，在提示中是非常特殊的符號。與一般符號不同，在大多數圖像生成 UI 中，括號被解釋為加權特定內容，參與加權的括號不會發揮其原本的意義。但是，如果原始提示需要包含括號，例如某些觸發詞，該怎麼辦？答案是通過在括號前添加反斜杠“\”來消除括號的加權功能。這種改變字符原本意義的操作稱為轉義，反斜杠也稱為轉義字符。例如，如果不使用反斜杠進行轉義，提示“1girl, ganyu ( genshin impact ) ”將被錯誤解釋為“1girl, ganyu genshin impact”，其中“genshin impact”被加權，括號消失。通過添加轉義字符，提示變為“1girl, ganyu \ ( genshin impact \) ”，如預期。

簡而言之，標籤標準化分為兩步：（i）在每個標籤中用空格替換下劃線，並（ii）在括號前添加反斜杠“\”。

來自 Danbooru 和 e621 的標籤具有更強的表達效果。因此，我們建議讀者直接在這兩個網站上搜索標籤，而不是自己創建標籤。需要注意的是，這樣獲得的標籤用下劃線“_”分隔，且括號未轉義。因此，在將提示添加到來自它們的標籤之前，需要去除標籤中的空格並轉義括號。例如，將來自 Danbooru 的標籤“ganyu_ (genshin_impact) ”視為“ganyu\ (genshin impact\)”後再使用。

不要使用無效的元標籤。元標籤（meta tags ）是 Danbooru 上的一種特殊標籤，用於指示圖像文件或作品本身的特徵。例如，“highres ”表示圖像具有高解析度，“oil_painting_ (medium) ”表示圖像的風格為油畫。然而，並非所有元標籤都與圖像的內容或形式相關。例如，“commentary_request ”表示 Danbooru 的帖子對該作品有翻譯請求，這與作品本身沒有直接關係，因此沒有效果。

順序提示詞更佳。NoobAI-XL 建議按邏輯順序撰寫提示，從主要到次要。一種可能的撰寫順序如下，僅供參考：

< 1girl/1boy/1other/female/male/… >, < character >, < series >, < artist (s) >, < general tags >, < other tags >, < quality & aesthetic tags >

其中，< quality & aesthetic tags >可以放在前面。

自然語言提示由句子組成，每個句子以大寫字母開頭，並以句號“.”結尾。大多數動漫模型，包括 NoobAI-XL，對標籤的理解更好，因此自然語言通常用作輔助，而不是提示中的主要組成部分。

2. 角色和藝術風格

NoobAI-XL 支持直接生成大量粉絲創作的角色和藝術風格。角色和風格由名稱觸發，這些名稱也是標籤，稱為觸發詞。你可以直接在Danbooru 或e621 上搜索，並標準化生成的標籤作為提示。

1. 使用

角色和藝術家的觸發方式有所不同。

• 對於藝術風格，只需將藝術家的名稱添加到提示中而不添加任何前綴、後綴或額外裝飾，既不“by xxx”也不“artist: xxx”，僅為“xxx”。
• 對於角色，使用“角色名稱 + 系列”的形式。也就是說，除了添加角色名稱外，還需要在角色觸發詞標籤後立即添加一個系列標籤以指示角色來自哪部作品。如果一個角色有多個系列標籤，可以添加一個或多個。請注意，如果角色名稱中已包含系列名稱，仍然需要添加系列標籤而不考慮重複。通常，“角色名稱 + 系列名稱”就足以恢復角色。例如，來自系列“genshin_impact ”的角色ganyu_ (genshin_impact) 的觸發詞為“ganyu\ (genshin impact\), genshin impact”。同樣，角色觸發詞不需要添加任何前綴、後綴或額外修飾。

以下表格演示了一些正確和錯誤的角色和風格觸發案例：

類型	提示詞	正確或錯誤	原因
角色	Rei Ayanami	錯誤	角色名稱應為“ayanami rei ”。未添加系列標籤“neon genesis evangelion ”。
角色	character:ganyu \(genshin impact\), genshin impact	錯誤	表面上添加了前綴“character:”。
角色	ganyu_\(genshin impact\)	錯誤	未完全標準化的標籤：不應包含下劃線。未添加系列標籤。
角色	ganyu (genshin impact), genshin impact	錯誤	未完全標準化的標籤：括號未轉義。
角色	ganyu (genshin impact\), genshin impact	錯誤	未完全標準化的標籤：左括號未轉義。
角色	ganyu \(genshin impact\)，genshin impact	錯誤	用中文逗號分隔了兩個標籤
角色	ganyu \(genshin impact\), genshin impact	正確
藝術風格	by wlop	錯誤	表面上添加了前綴“by”。
藝術風格	artist:wlop	錯誤	表面上添加了前綴“artist:”。
藝術風格	dino	錯誤	藝術家名稱錯誤，aidxl/artiwaifu 的藝術家名稱不應使用，而應遵循 Danbooru，因此應為“dino\ (dinoartforame\) ”。
藝術風格	wlop	正確

2. 觸發詞維基

為了方便起見，我們還提供了一個完整的觸發詞表格在noob-wiki 供你參考：

表格類型	下載鏈接
Danbooru 角色	點擊這裡
Danbooru 藝術風格	點擊這裡
E621 角色	點擊這裡
E621 藝術風格	點擊這裡

這些表格中的每一行都包含來自 Danbooru 和 e621 數據庫的觸發詞表。每一行代表一個角色或藝術風格。你只需找到對應於所需角色或藝術風格的行，複製“觸發”部分並直接粘貼到提示詞中。如果你不確定某個角色或藝術風格，可以點擊“url”列中的鏈接查看網站上的示例圖。以下表格解釋了每一列的含義。並非每個表格都包含所有列。

列出	含義	備註
角色	對應網站上角色的標籤名稱。
藝術家	對應網站上標籤名稱中的藝術風格。
觸發	標準化後的觸發詞。	直接複製並粘貼到提示詞中使用。
數量	擁有此標籤的圖像數量。	作為對該概念恢復程度的預期。對於角色，數量超過 200 可以更好地恢復。對於風格，數量超過 100 可以更好地恢復。
url	原始網站上的標籤頁面。
solo_count	數據集中擁有此標籤且圖像中只有一個角色的圖像數量。	僅角色表。對於角色，solo_count 超過 50 可以更好地恢復。當根據數量判斷減少程度時，數量列的偏差較大，準確性較低，而 solo_count 是更準確的指標。
core_tags	角色的核心特徵標籤，包括外觀、性別和服裝。用英文逗號分隔，每個標籤已標準化。	僅 Danbooru 角色列表。在觸發不受歡迎角色且其恢復程度不足時，可以添加幾個核心特徵標籤以增強恢復程度。

3. 特殊標籤

特殊標籤是一種具有特殊含義和效果的標籤，作為輔助功能。

1. 質量標籤

質量標籤實際上是根據 Danbooru 和 e621 用戶偏好的統計數據獲得的受歡迎標籤。質量從高到低的順序為：

masterpiece > best quality > high quality / good quality > normal quality > low quality / bad quality > worst quality

2. 美學標籤

美學標籤根據美學評分模型進行評分。目前只有兩個，“very awa ”和“worst aesthetic ”。前者是與waifu-scorer-v3 和waifu-scorer-v4-beta 加權分數在前 5% 的數據，後者是底部 5% 的數據。之所以命名為very awa，是因為其美學標準類似於A rti Wa ifu Diffusion 模型。此外，仍在訓練中且沒有明顯效果的美學標籤是“very as2”，其數據與“aesthetic-shadow-v2-5 ”的分數在前 5%。

美學標籤效果的比較

3. 安全/評級標籤

有四個安全/評級標籤：general 、sensitive 、nsfw 和explicit 。

我們希望用戶能夠自覺地在負面提示中添加“nsfw”以過濾不當內容。😀

4. 年份和時期標籤

年份標籤用於指示作品的創作年份，間接影響質量、風格、角色恢復程度等。其格式為“year xxxx ”，其中“xxxx”是具體年份，例如“year 2024”。

時期標籤是年份標籤，對圖像質量也有顯著影響。標籤與年份的對應關係如下表所示。

年份範圍	2021~2024	2018~2020	2014~2017	2011~2013	2005~2010
時期標籤	最新	最近	中期	早期	舊

4. 其他提示

本節提供了提示的推薦使用示例，僅供參考。

1. 質量提示

以下推薦的起始點使用特殊標籤，這些標籤與圖像質量的相關性最高。

very awa, masterpiece, best quality, year 2024, newest, highres, absurdres

2. 負面提示

以下表格介紹了常見的負面標籤及其來源。並非所有負面標籤都一定是壞的，正確使用它們可以產生意想不到的效果。

標籤	翻譯	備註	來源
質量標籤
worst aesthetic	最差的美學	包含低美學概念，如低質量、水印、漫畫、多視角和未完成的草圖	美學
worst quality	最差質量		質量
low quality	低質量	Danbooru 的低質量	質量
bad quality	低質量	e621 的低質量	質量
lowres	低解析度		Danbooru
scan artifacts	掃描伪影		Danbooru
jpeg artifacts	JPEG 圖像壓縮伪影		Danbooru
lossy-lossless	-	從有損圖像格式轉換為無損圖像格式的圖像通常充滿了伪影。	Danbooru
構圖和藝術形式標籤
ai-generated	AI 生成	由 AI 生成，通常會有 AI 生成的油膩感。	Danbooru
abstract	抽象	消除雜亂的線條	Danbooru
official art	官方藝術	由系列或角色的官方公司/藝術家製作的插圖。版權、公司或藝術家名稱，以及版權聲明可能會印刷在圖像的某處。	Danbooru
old	早期圖像		時期
4koma	四格漫畫		Danbooru
multiple views	多視角		Danbooru
reference sheet	性格設計		Danbooru
dakimakura \(medium\)	抱枕圖		Danbooru
turnaround	全身三視圖		Danbooru
comic	卡通		Danbooru
greyscale	金絲雀釋放圖	黑白圖片	Danbooru
monochrome	單色	黑白圖片	Danbooru
sketch	線稿		Danbooru
unfinished	未完成的作品		Danbooru
E621 標籤
furry	毛茸茸的		e621
anthro	擬人化毛茸茸的		e621
feral	野生的		e621
semi-anthro	半擬人化毛茸茸的		e621
mammal	哺乳動物（毛茸茸的）		e621
水印標籤
watermark	水印		Danbooru
logo	LOGO		Danbooru
signature	藝術家簽名		Danbooru
text	文本		Danbooru
artist name	藝術家名稱		Danbooru
dated	日期		Danbooru
username	用戶名		Danbooru
web address	網站		Danbooru
解剖標籤
bad hands	壞手		Danbooru
bad feet	壞腳		Danbooru
extra digits	多餘的手指		Danbooru
fewer digits	缺少手指		Danbooru
extra arms	多臂		Danbooru
extra faces	多面		Danbooru
multiple heads	多頭		Danbooru
missing limb	缺少肢體		Danbooru
amputee	失去肢體		Danbooru
severed limb	截肢		Danbooru
mutated hands	突變手		-
distorted anatomy	扭曲的解剖學		-
內容標籤
nsfw	色情級 Related Posts Guide to Prompting with Illustrious Models Complicated desired outputs = Complex prompts with mix of natural language and tags [postcard=89ntmto] Complex prompt... Guide to AI Pose Prompting (NSFW) This guide was created to bring inspiration to this visual vocabulary. There is a short description for each pose so ... Can Chatgpt GPT-4o image generation do NSFW/nudity? GPT-4o massive nerf and other findings GPT-4o, released on March 25, 2025 went viral soon after release, bolstered by the Studio Ghibli animation style tren... Automatic1111 Stable Diffusion WebUI for Hentai Generation (SD1.5 Tutorial) This guide is intended to get you generating quality NSFW images as quickly as possible with Automatic1111 Stable Dif... Hunyuan Video Generation Guide (ComfyUI) This tutorial will provide a comprehensive guide on using Tencents Hunyuan Video model in ComfyUI for text-to-video g... How to run Stable Diffusion on CPU Now, some of us do not have fancy GPUs. Thats fine. We can run Stable Diffusion on our CPUs. This is an incredibly ba...