步驟	內容
① 輸入原圖	任一隻寶可夢（RGBA / RGB 皆可）
② 前景剪影	取前景遮罩，做出「猜猜我是誰」黑影
③ Canny 邊緣	邊緣偵測，作為 ControlNet 的結構條件
④ 皮卡丘化	SD 1.5 + ControlNet + 本 LoRA 生成，再用遮罩還原透明背景

結構由宿主輪廓（ControlNet）決定，外觀由本 LoRA承載——這正符合目標：把每一隻寶可夢都變皮卡丘。

轉換成果比對

使用方式

python

import torch
from diffusers import StableDiffusionControlNetPipeline, ControlNetModel
from diffusers.utils import load_image
import cv2, numpy as np
from PIL import Image

# 1. 載入 SD 1.5 + ControlNet (Canny)
controlnet = ControlNetModel.from_pretrained(
    "lllyasviel/control_v11p_sd15_canny", torch_dtype=torch.float16
)
pipe = StableDiffusionControlNetPipeline.from_pretrained(
    "stable-diffusion-v1-5/stable-diffusion-v1-5",
    controlnet=controlnet, torch_dtype=torch.float16,
).to("cuda")

# 2. 載入本 LoRA（皮卡丘外觀就在這裡）
pipe.load_lora_weights("MrbandiTw/always-pikachu-lora-sd15", weight_name="pikachu_lora_v1.safetensors")

# 3. 用宿主圖做 Canny 條件
src = load_image("charmander.png").convert("RGB").resize((512, 512))
edges = cv2.Canny(np.array(src), 80, 160)
canny = Image.fromarray(np.stack([edges] * 3, axis=-1))

# 4. 生成
image = pipe(
    prompt="pikachu, yellow body, red cheeks, cute face",
    negative_prompt="dark head, black head, glass sphere, bubble, reflective orb, "
                    "glossy, transparent dome, helmet, lowres, deformed",
    image=canny,
    num_inference_steps=25,
    guidance_scale=7.5,
    controlnet_conditioning_scale=0.72,
    cross_attention_kwargs={"scale": 0.64},   # LoRA 強度
).images[0]
image.save("pikachu.png")

鎖定的生成參數

參數	值	說明
LoRA scale	0.64	皮卡丘外觀強度；過高會吃掉宿主結構
ControlNet scale	0.72	平衡：宿主身分 + 乾淨的皮卡丘臉
Steps	25
Guidance (CFG)	7.5
Canny thresholds	80 / 160	抓出眼睛、肚子、四肢等內部線條
Prompt	`pikachu, yellow body, red cheeks, cute face`	技術性 CFG 觸發詞；空 prompt 會讓 guidance 失效、洗白結果

Prompt 只是讓 CFG 有作用的占位詞，語意不是重點——外觀完全由 LoRA 承載。

訓練細節

項目	設定
基底模型	`stable-diffusion-v1-5/stable-diffusion-v1-5`
工具	kohya_ss / sd-scripts（CLI）
資料	~42 張皮卡丘圖（6 張來源 × 旋轉擴增），空 caption
訓練範圍	僅 UNet（`--network_train_unet_only`，不訓 text encoder）
Network Dim / Alpha	32 / 16
LoRA 目標	Attention only (Q, K, V, Out)
Learning Rate	1e-4，cosine + 10% warmup
Optimizer	AdamW8bit
Batch / Steps	4 / 2500
Precision	bf16
Resolution	512
硬體	RTX 5060 Ti 16GB (Blackwell, CUDA 12.8)

設計理念——純視覺概念 LoRA：完全不放 caption、只訓 UNet，使 LoRA 成為「永遠啟動的外觀位移」。皮卡丘的長相存在於權重中、無條件套用，因此不需要任何觸發詞。

評估結果

在 1160 隻寶可夢全集上以無參數指標自動評估：

指標	數值
轉換成功率	98.6%
Identity（像皮卡丘）	86.8%
Structure（遵循原輪廓）	90.3%
綜合準確率	77.7%
平均邊緣 IoU	0.653

限制

Mega / Gmax 等大型態（如噴火龍 Mega）翅膀面積大，結果偏「巨型皮卡丘」而非標準體型。
極端非生物外型（純幾何、機械系）輪廓資訊少，皮卡丘特徵較弱。
需搭配 ControlNet Canny 才能鎖住結構；單獨使用會失去宿主輪廓。

授權

LoRA 權重以 CreativeML OpenRAIL-M 釋出。寶可夢與皮卡丘為 Nintendo / Game Freak / The Pokémon Company 之商標，本模型僅供研究與教育用途。