FluxGym / Flux1D Scene-LoRA Captioning Method

Cél:
Nem egyes objektumok vagy stíluselemek betanítása, hanem egy teljes helyszín, világ vagy környezet identitásának megtanítása úgy, hogy a LoRA több nézőpontból is ugyanazt a helyet rekonstruálja.

Alapelv:
A caption ne tárgylista legyen, hanem természetes nyelvű jelenetleírás. A Flux modellek a koherens környezeti leírásokat általában jobban tanulják, mint a rövid, címkeszerű felsorolásokat.

Terjedelem:
max 150 token

Leírandó elemek:

1. Világ és környezet
- Milyen helyszín látható.
- Milyen civilizáció, korszak vagy világépítés jellemzi.
- Mi a jelenet általános identitása.

2. Térszerkezet
- Mi található az előtérben.
- Mi található a középtérben.
- Mi található a háttérben.
- Hogyan kapcsolódnak egymáshoz a fő szerkezeti elemek.

3. Anyagok és építészeti nyelv
- Fő anyagok.
- Felületek.
- Konstrukciós jellegzetességek.
- Visszatérő formai elemek.

4. Fény és atmoszféra
- Napszak.
- Megvilágítás.
- Reflekciók.
- Hangulat.

5. Stabil térbeli referenciák
A caption minden képnél természetes módon nevezze meg azokat az elemeket, amelyek a helyszín identitását adják.

Példák:
- center canal
- left foreground planter
- right tower
- background glass dome
- elevated walkway
- central plaza
- curved stairway

Fontos:
Nem szabad meta-szavakat használni.

Kerülendő:
- anchor
- persistent anchor
- structural anchor
- scene distribution
- multiple viewpoints
- same location
- scene identity

A modell ezekből semmilyen speciális jelentést nem tanul.

Anchor-hatás létrehozása:

Az anchor-hatás nem a szóhasználatból, hanem az ismétlődésből keletkezik.

Ha ugyanazok a térbeli elemek sok captionben újra megjelennek, a LoRA ezeket a helyszín stabil szerkezeti elemeiként kezdi kezelni.

Jó példa:

"The central water canal divides the plaza while large glass domes rise above the surrounding brass buildings."

Rossz példa:

"persistent structural anchor, scene identity, multi-view scene representation"

Caption stílus:

- természetes angol nyelv
- folyó szöveg
- koherens jelenetleírás
- minimális felsorolás
- helyszínközpontú szemlélet
- rekonstruálható térszerkezet

Végeredmény:

A LoRA nem objektumokat tanul meg külön-külön, hanem egy teljes helyszín valószínűségi eloszlását, amelyből később új nézőpontok, új kompozíciók és új jelenetek generálhatók ugyanazon világon belül.


A caption így kezdődjön: (ide írd a main triggert), (ide írd a többi triggert, ha van), .......