超网络
超网络是什么？
超网络是一个小型神经网络，它修改更大的 AI 图像模型的行为方式，训练它以特定风格或特定主体进行生成：而不直接改变原始模型的权重。
一图看懂
- 别称
- HN（Stable diffusion 社区中的缩写）
- 主要用途
- 为特定风格或主体专门化 AI 图像生成模型将艺术家风格适配应用于基础模型创建模块化、可替换的模型修改
- 常用工具
- Stable diffusion (AUTOMATIC1111 WebUI, ComfyUI)Various open-source fine-tuning pipelines
- 相关术语
- LoRAFine-tuningEmbedding / textual inversionStable diffusionModel weights
准备好开始创作了吗？
执导场景、设计角色、完成整部影片
一站式 AI 创作平台，定价简单透明，无速度节流，搭配无限 Canvas，让创作发挥到极致。
对比与差异
Compared with related concepts
超网络与 LoRA 的对比：两者都是参数高效的微调方法，无需完全重新训练即可专门化一个基础模型。LoRA 通过将权重更新分解为直接应用于模型层的低秩矩阵对来工作，通常以相近的计算成本实现比超网络更好的质量和更可预测的训练行为。因此，LoRA 在实践中已成为占主导地位的技术。相比之下，超网络更为陈旧且更受限，不过在不支持 LoRA 的环境中它们仍可使用。
实用提示
在 AUTOMATIC1111 中使用超网络时，强度乘数：即缩放超网络修改应用强度的数值：会显著影响输出。在全强度（1.0）下，许多超网络会压过提示词，产生以牺牲提示词内容为代价反映超网络风格的输出。将乘数降至 0.5 至 0.7 往往能在超网络的风格影响与提示词所描述内容之间产生更好的融合。
类型与变体
超网络通常以其训练目标来区分：风格超网络学习某种特定视觉美学或艺术家风格的特征，而主体超网络学习某个特定角色、物体或概念的外观。它们在大小（以层深和层宽衡量）和训练质量上各不相同，较大的超网络可能捕捉更多细微之处，但需要更多训练数据和计算。该技术与 Stable Diffusion 1.
准备好在 Morphic 里做第一个场景了吗？
试用 Morphic常见使用场景
Stable Diffusion 社区内的艺术家和创作者用超网络训练风格适配，以复现特定艺术运动、插画风格或个别艺术家作品的视觉特征，然后分享这些超网络供他人使用。角色设计师在原创角色设计上训练超网络，以产生一致的角色生成，而无需在每个提示词中描述每一处外观细节。商业用户在品牌视觉识别上训练超网络，将生成引导至符合品牌的美学输出。
准备好开始创作了吗？
执导场景、设计角色、完成整部影片
一站式 AI 创作平台，定价简单透明，无速度节流，搭配无限 Canvas，让创作发挥到极致。
