3.2 Pojęcia, które naprawdę są potrzebne

Nie musisz rozumieć matematyki dyfuzji, żeby prowadzić biznes wokół persony. Potrzebujesz jednak dość słownictwa, żeby przestać zgadywać — prawie każdy problem ze spójnością wygląda na zagadkę, dopóki nie nazwiesz zmiennej, która go wywołała.

Ten rozdział to zestaw minimum. Wszystko z niego wraca w rozdziale 4, gdzie twarz jest faktycznie rozwiązana. Nic tutaj nie jest teorią dla samej teorii — każde pojęcie ma przypisaną decyzję, którą zmienia.

Cztery ustawienia próbkowania

Te cztery pojawiają się w każdym interfejsie i to one po cichu psują powtarzalność.

Seed. Losowy punkt startowy. Ten sam seed plus ten sam prompt, model i ustawienia dają ten sam obraz. Ta właściwość czyni go użytecznym: żeby testować jedną zmianę naraz, zablokuj seed i zmieniaj tylko to, co testujesz. Bez tej dyscypliny nie odróżnisz, czy lepszy obraz wyszedł z twojej edycji promptu, czy z losowania.

Dwie ostrożności. Seed nie przenosi się między modelami, a często też nie między samplerami — traktowanie seeda jako przenośnej tożsamości to błąd kategorii. Zablokowany seed to narzędzie do debugowania, nie ustawienie produkcyjne; kalendarz treści z subtelnie identycznymi obrazami to osobna porażka.

Steps. Liczba iteracji odszumiania, które wykonuje sampler. Więcej nie znaczy lepiej w nieskończoność. Typowy współczesny model bazowy zbiega gdzieś między 20 a 30 krokami, a powyżej tego płacisz czasem renderowania za zmianę nieodróżnialną okiem. Modele destylowane — warianty schneller, Lightning, Turbo i wagi klasy Klein — są trenowane tak, żeby zbiegać po mniej więcej 4 do 8 krokach, a uruchamianie ich przy 30 daje tylko dłuższe oczekiwanie.

CFG scale. Classifier-free guidance: jak mocno model jest pchany w stronę promptu. Niskie wartości dają mu swobodę; wysokie są posłuszne tekstowi i od pewnego punktu dają przepalony kontrast, aureole i przesadnie nasycony wygląd, który czyta się jako tandeta. Typowe działające zakresy dla baz pełnej jakości to od 4 do 7, a modele destylowane często chodzą przy 1.0, bo guidance jest wpieczone w trening. [AS OF 2026-10]

Powód, dla którego CFG ma znaczenie konkretnie w tej książce: LoRA zastosowana przy wysokim CFG przepieka obraz. LoRA tożsamości przy rosnącym guidance mają skłonność do twardszej, bardziej plastikowej twarzy. Jeśli twoja persona wygląda woskowo, naprawa często polega na obniżeniu CFG, zanim cokolwiek przetrenujesz.

Sampler i scheduler. Sampler to algorytm, który przechodzi od szumu do obrazu (Euler, warianty DPM++ i inne). Scheduler to rozkład szumu, za którym ten algorytm podąża (normal, karras i inne). Zmieniają teksturę, szybkość zbiegania i drobny detal.

Praktyczna reguła, która wynika z tych czterech: zamroź je. Wygląd persony jest częściowo artefaktem jej konfiguracji próbkowania. Wybierz preset, zapisz go w specyfikacji persony i zmieniaj tylko prompt oraz kompozycję. Rozdział 3.5 mierzy ten preset, żebyś wiedział, ile kosztuje w czasie.

Latent, VAE i encodery tekstu

Trzy komponenty, które spotkasz w komunikatach błędów, zanim spotkasz je w dokumentacji.

Latent space to skompresowana reprezentacja, w której pracuje model. Obraz 1024 pikseli staje się znacznie mniejszą siatką liczb, model odszumia w tej przestrzeni, a wynik jest dekodowany z powrotem do pikseli. Wszystko to, dlaczego img2img jest przybliżony, dlaczego inpainting ma miękkie krawędzie i dlaczego niektórych operacji nie da się cofnąć, wynika z jednego faktu: edytujesz kompresję, a nie obraz.

VAE to para encoder–dekoder, która przenosi między pikselami a latent space. Ma znaczenie z jednego praktycznego powodu: niedopasowany albo podmieniony VAE daje przesunięcie kolorów, wyprane cienie albo przepalone światła. Jeśli wynik jest niespodziewanie odbarwiony, a niczego innego nie zmieniałeś, podejrzewaj VAE, zanim podejrzysz prompt.

Encodery tekstu zamieniają prompt w coś, na czym model może się warunkować. Starsze rodziny używają encoderów typu CLIP, które najlepiej reagują na fragmenty rozdzielone przecinkami. Nowsze rodziny używają encodera klasy T5, który radzi sobie z pełnymi zdaniami i zachowuje relacje między słowami.

Decyzja, którą to zmienia: pisz w dialekcie, którego oczekuje twoja rodzina. Zupa tagów w encoderze z długim kontekstem marnuje jego moc. Pełna proza w encoderze CLIP zostaje obcięta i rozmyta. A ponieważ LoRA trenuje się przeciw jednemu encoderowi, styl promptowania jest właściwością rodziny, na którą zdecydowałeś się w 3.1 — kolejny koszt zmiany.

Trzy sposoby nauczenia modelu twarzy

To opcje treningu, uporządkowane po wadze.

LoRA (low-rank adapter). Mały zestaw dodatkowych wag — zwykle od kilkudziesięciu do paruset megabajtów — który lekko przesuwa model bazowy, nie zmieniając go. Trening na wynajętej GPU kosztuje około $2 przy cenie bazowej hostowanego trenera i zajmuje od około dwóch do siedmiu godzin. [AS OF 2026-10] Potrzebujesz rzędu 15 do 30 dobrze wybranych zdjęć referencyjnych osoby. [UNVERIFIED]

Jego właściwości są powodem, dla którego rozdział 4.5 jest w całości o nim: plik jest mały i przenośny, nie modyfikuje modelu bazowego, można go łączyć z innymi i to on jest artefaktem tożsamości, który zostaje, gdy zniknie dostawca.

DreamBooth. Dostrajanie większej części modelu na garstce zdjęć. Większa wierność wobec osoby, pliki wynikowe liczone w gigabajtach, wolniejszy trening i znacznie większa skłonność do przeuczenia na zbiorze referencyjnym — razem z jego oświetleniem i tłem. W pracy nad personami wyparte w dużej mierze przez LoRA, która osiąga porównywalną wierność tożsamości za ułamek kosztu. [UNVERIFIED]

Pełny fine-tune. Ponowny trening modelu. Od setek do tysięcy zdjęć, poważna moc obliczeniowa, checkpointy w gigabajtach. To budżet studia, nie pojedynczego operatora, i nic w tej książce go nie wymaga.

Reguła decyzyjna: LoRA jest domyślnym wyborem i to ona jest artefaktem, który się liczy. Rozdziały 4.4 i 4.5 mówią, jak zrobić to dobrze.

Cztery sposoby użycia twarzy bez treningu

Adaptery tożsamości wstrzykują referencyjną twarz do procesu generowania, zamiast czegokolwiek uczyć model. Są szybkie, nie potrzebują datasetu i są właściwym punktem startu — rozdział 4.2 stawia je pierwsze na drabinie właśnie z tego powodu.

IPAdapter. Warunkuje proces dyfuzji na jednym lub kilku obrazach referencyjnych. Przenosi to, co widzi encoder, a to obejmuje styl i kompozycję, nie tylko twarz. Przydatny do wyglądu i nastroju; samodzielnie zawodny jako mechanizm tożsamości.

IPAdapter FaceID. Dodaje embedding tożsamości wyciągnięty przez model rozpoznawania twarzy, co znacznie wyostrza utrzymanie tożsamości w porównaniu ze zwykłym IPAdapter.

InstantID. Używa embeddingu twarzy plus ścieżki landmarków albo keypointów, dzięki czemu jedno zdjęcie referencyjne utrzymuje tożsamość, gdy poza i scena się zmieniają. Silne utrzymanie tożsamości z jednego zdjęcia; wymaga stosu InstantID zainstalowanego obok twojej bazy.

PuLID. Wstrzykuje embedding tożsamości przy użyciu kontrastywnego wyrównania zaprojektowanego tak, żeby nie ruszać estetyki modelu bazowego. Praktyczne zalety: bez treningu, szybko, działa z modelami klasy FLUX. Praktyczne granice: mniej stabilny przy skrajnych pozach, wieku i mocnej stylizacji niż dobrze wytrenowana LoRA.

Wspólny kształt wszystkich czterech: coś wyciąga embedding twarzy i ten embedding jest wstrzykiwany do warunkowania. Żaden z nich nie jest tak sterowalny jak LoRA wytrenowana na własnym datasecie, a każdy daje pierwszy wynik już dziś. Ten kompromis to drabina w 4.2.

Trzy sposoby zmiany obrazu

Różne operacje, różne zadania — i rutynowo się je myli.

img2img. Odszumia cały obraz, wychodząc od twojego wejścia, sterowany wartością strength. Niski strength zachowuje kompozycję i zmienia niewiele; wysoki wymyśla. To narzędzie do zmiany stylu ujęcia z zachowaniem kadru.

Inpainting. Regeneruje wyłącznie zamaskowany obszar. To narzędzie chirurgiczne: dłoń, tło, element biżuterii, jedno złe oko. To także sposób na naprawę twarzy w skądinąd dobrej kompozycji — maskujesz twarz i regenerujesz ją z warunkowaniem referencyjnym.

Warunkowanie referencyjne. Modele edycyjne i adaptery oparte na instrukcji, które utrzymują osobę, gdy scena się zmienia. To operacja zachowująca tożsamość i ta, wokół której powinien być zbudowany pipeline persony.

Kolejność, w jakiej mają występować: generowanie → warunkowanie referencyjne dla wariantu → inpainting defektów. Puszczenie najpierw inpaintingu, a potem pracy referencyjnej, przelosowuje to, co naprawiłeś.

Dlaczego upscale i detal skóry idą na koniec

To reguła kolejności, którą ludzie łamią najczęściej, a powód jest strukturalny.

Upscalery i detailery twarzy działają na pikselach, nie na reprezentacji latentnej. Jeśli zrobisz upscale i detal twarzy, a potem wrócisz i wygenerujesz od nowa strój z warunkowaniem referencyjnym, model renderuje cały obszar ponownie w rozdzielczości roboczej i dodany detal przepada. Zapłaciłeś za niego dwa razy, a zachowałeś raz.

Kolejność, która to respektuje:

1. Kompozycja i poza.
2. Tożsamość — warunkowanie referencyjne, adapter albo LoRA.
3. Defekty — dłonie, oczy, biżuteria, artefakty tła, przez inpainting.
4. Upscale.
5. Detal twarzy, przy niskim denoise strength.
6. Kolor i korekcja barwna.

Dwie ostrożności przy kroku 5. Detailery twarzy chodzą przy denoise strength, który renderuje część twarzy od nowa; trzymaj go nisko — mniej więcej 0.2 do 0.35 — bo inaczej zastąpisz tożsamość, którą już ustaliłeś. [UNTESTED] A przesadny detal daje gładki, bezporowy wygląd, który na pierwszy rzut oka czyta się jako syntetyczny, i kosztuje cię na tierach realizmu opisanych w 11.2. Detal twarzy oceniaj przy powiększeniu 100%, nie w miniaturze.

Gdzie to się psuje

Gonienie za ustawieniami zamiast ich zamrożenia. Spójność jest częściowo artefaktem konfiguracji. Zablokuj preset, a potem debuguj prompt.

Zmienianie dwóch zmiennych naraz. Bez zablokowanego seeda nie przypiszesz zmiany do przyczyny i przez miesiące wyciągniesz zły wniosek o swoim workflow.

Używanie seeda jako tożsamości. To punkt startowy, nie twarz.

Uruchamianie modelu destylowanego przy 30 krokach. Wolniej, wynik identyczny, a benchmark traci sens.

Zwalanie na prompt niedopasowanego VAE. Odbarwienie bez zmiany w promptcie to problem komponentu.

Detalowanie przed skończeniem kompozycji. Praca nad detalem jest ostatnią operacją albo jest zmarnowana.

Bramka

1. Czy potrafisz z pamięci wymienić sampler, scheduler, steps i CFG swojej persony?
2. Czy wiesz, której rodziny encoderów używa twój model bazowy, i czy styl twojego promptu jest do niej dopasowany?
3. Której metody tożsamości używasz — adaptera czy LoRA — i dlaczego tej przy twoim obecnym wolumenie?
4. W jakiej kolejności twój pipeline wykonuje kompozycję, tożsamość, defekty, upscale i detal?
5. Przy jakim powiększeniu zatwierdzasz twarz?

Z czym wychodzisz

Cztery ustawienia próbkowania, które zamrozisz, trzy komponenty, które rozpoznasz w komunikatach błędów, opcje treningu uporządkowane po koszcie, cztery adaptery, które nie potrzebują treningu, trzy operacje edycyjne o osobnych zadaniach i jedna reguła kolejności: detal na końcu, zawsze.