AdwolfCzar/moss-image-nextscene-lora

MOSS-Image "next scene" LoRA (experimentos)

Dada a imagem A (cena anterior) + prompt, gera a próxima cena B mantendo personagens, estilo, paleta e cenário.

Treinado com ai-toolkit no modo edit do MOSS-Image (arch: moss_image, edit: true, kv_cache: true). Para usar no ComfyUI: ComfyUI-MOSS-Image-Ostris-Edit (kv_cache ligado), referência como image1, prompt começando com Next scene of Picture 1., cfg 3, 30 passos, SkipLayerGuidance na camada 22.

Dados

AdwolfCzar/ofificial_next_scene_v11 → dataset-2-natural.zip (legendas naturais). 1736 pares; 19 legendas quebradas removidas; 6 pares separados para validação → 1711 pares de treino. Prefixo Next scene of Picture 1. em todas as legendas.

Runs

run	resolução	passos	rank	lr	otimizador	base
v1/	768 (16:9 ≈ 1024×576)	1500	32	1e-4	adamw8bit	MOSS-Image Base, convrot8
v2_1024/	1024 (16:9 ≈ 1360×768)	3000 (em andamento)	32	1e-4	adamw8bit	MOSS-Image Base, convrot8

Camada 22 fora da LoRA (ignore_if_contains: layers.22.), para preservar a SLG do CFG. Configs completas em */config.yaml.

Avaliação

• v1/RESUMO_TESTES_v1.jpg: LoRA final da v1 em 10 referências (6 validação, 2 treino, 2 fora do dataset) × prompts idêntico (legenda do dataset), parecido (outra ação/câmera) e diferente (curto/outro lugar) × força 0 / 1.0 / 1.3 / 1.6.
• */grids/: A | B real | sample de cada checkpoint, por par de validação.

Resumo (v1): sem LoRA o MOSS Base não edita (devolve A com ruído). Com LoRA: excelente com a legenda idêntica, muito bom com prompts que descrevem a aparência; fraco com prompts curtos — estilo/paleta vêm de A, mas identidade (roupa/cores) deriva, e troca de local é difícil (88% das legendas dizem "the same background"). Força 1.0–1.3 é o melhor intervalo; 1.6 começa a distorcer. v2 (1024): mais nítida, mesmo padrão de fidelidade até o passo 1000.