negative promptでzero conditioningを使用する:Skip Early CFGという概念

以前の記事でzerocondtioningをいくつか試してみたパターンを提示しました。
ここでの結果としては、最初の0.3までのところで生成画像に大きな変化が出たという内容になりました。

ところで、最近見た概念にSkip Early CFG (Ignore negative prompt during early sampling)というのがありました。
どいういったものか、以下GPTに聞いたものです。

＜GPT要約＞
「Skip Early CFG」を使用することの主な効果は以下の通りです：

1. 画像の品質向上: 初期段階でモデルにより多くの自由を与えることで、生成される画像の品質が向上します。これは、ネガティブプロンプトの早期影響を避けることで、望ましくないアーティファクトが減少するためです  。
2. 詳細と整合性の向上: 初期段階で基本的な構造と構成を確立する自由を持たせ、その後にネガティブ要素を排除することで、より詳細で整合性のある画像が生成されやすくなります 。

この機能は、高品質で詳細な画像を生成したい場合に特に有効であり、初期段階の柔軟性と後半段階の制御をバランスよく取り入れることができます。

Negative image prompt for Stable Diffusion - Stable Diffusion Art

ということで改めて試してみることにしました。

通常

0.001

0.1

0.2

0.3

リアル系
0

0.001

0.1

0.2

0.3

0

0.001

0.1

0.2

0.3

＜まとめ＞
Skip Early CFG (Ignore negative prompt during early sampling)という視点から設定を見直すと、ネガティブプロントを0から始める場合と少しでもzeroconditioningにする場合とで構図が変わることが分かります。
構図の変化の程度についてはチェックポイントにより異なっていました。
zeroconditioningにする長さについては、チェックポイントによって異なる印象でした。
0.3にした方がよい場合と、0.001の方がよい場合がありました。