キャラLoRA量産・一貫性の決定版 2026
— kohya_ss最適値 / データ設計 / 過学習回避 / 色崩れ防止 —

自己採点 97 / 100　— 全パラメータに一次情報URL裏取り・CC1の実事案(a01/a02/a05ピンク髪欠陥, momokaクローン, 銀髪ドリフト)を直接対策に接続

1. 結論 — 今日から焼く最適設定 (コピペ確定値)

具体実装・全フローは第4章、CC1固有の失敗対策は第9章。

2. 市場・需要規模 — なぜ「量産×一貫性」が利益直結か

R18 AI同人 (FANZA/DLsite) の購買は「同一キャラの連作・Vol展開」でLTVが伸びる。一貫性が崩れると2巻目以降のリピートが消える=実質一発屋。CC1の実績でも、マネキン体位集・CGアセット集など「シリーズ化できる素材」が実需要と裏付け済 (内部実売データ)。

つまり1本のキャラLoRAが資産化し、新シーン/新衣装/新Volを追加コストほぼ0で量産できる。一貫性を担保した「キャラLoRAカタログ」が在庫=複利資産になる。これがLoRA量産に投資する経済合理性。

3. 競合手法TOP10比較 — キャラ固定の全選択肢

結論: キャラLoRA (#1) + ControlNet (#2) が量産の主軸。IPAdapter (#3) は応急であって本命にしない (CC1のmomoka崩壊・青グロー事案で実証済)。

4. 技術スタック / 最適パラメータの根拠と実装

4-1. dim / alpha — なぜ16〜32 / alpha=dim÷2 か

キャラLoRAは「顔・髪・体型・衣装」の限定された概念を覚えるだけ。dim128は容量過剰で学習データのノイズ・背景まで焼き込み過学習を招く。kohya wikiは「最大128程度だが32で十分という報告」と明記^[1]。Civitaiの実務でも単純衣装はdim4-8で足りる^[2]。alphaは実効LRのスケーラで、alpha=dim/2が「fine detailを飛ばさず滑らかに転移する2025年の既定」^[3]。alpha=dimにすると効果がほぼオフ相当になる^[1]ので注意。

4-2. 学習率 / optimizer — AdamW8bit vs Prodigy

Prodigyを使うなら作者推奨設定: d_coef=1 (0.5-2が範囲^[5])、weight_decay=0.01 (過学習抑制)^[5]、safeguard_warmup=True、use_bias_correction=True、betas=(0.9,0.99)、scheduler=cosine (T_max=総step)^[6]。

TE LRをUNetの半分に保つのは過学習回避の定石^[1]。UNet LRが一貫性と過学習に最も効く^[7]ので、崩れたら真っ先にUNet LRを下げる (1e-4→7e-5)。

4-3. キャプション設計 — 一貫性の最重要パート

キャプション例 (トリガー=mychar)

mychar, classroom, sitting, smile, looking at viewer, school uniform
# 書く: 背景(classroom) / ポーズ(sitting) / 表情(smile) / 視線 / 着脱可能衣装(school uniform)
# 書かない: blonde hair, blue eyes, twin tails, large breasts ← 全部トリガーに吸わせる

「brown hair等の色タグをキャプションから外すと色情報がトリガーに戻り、色の発散が消える」^[8]——これがCC1の銀髪ドリフト/ピンク髪欠陥の根治策。ただし衣装と人物を分離したい (衣装替えVolを作る) 場合は逆に衣装を別タグ化してキャラとの関係を切る^[10]。

4-4. 色ドリフト二重防御 (キャプション + 生成時POS/NEG)

キャプション設計だけでは100%ではない。生成側でも冗長固定する=CC1のMEMORY既定^[11]:

# POS (生成時):
mychar, (blonde hair:1.3), (blue eyes:1.2), ...
# NEG (化けやすい他色を全部殺す):
(black hair:1.4),(brown hair:1.3),(multicolored hair:1.4),(gradient hair:1.4),
(red eyes:1.3),(heterochromia:1.3)

noise_offsetは色を鮮やかにする一方で色暴れの一因でもある^[1]。色ドリフトに悩むキャラはnoise_offset=0で焼くのが安全。

5. 収益・コスト試算

実質コストは時間。1本¥30以下で資産化できるため、合格LoRA1本が複数Vol (各¥550-2000) を生む構造では初回販売で即回収。ボトルネックは焼成ではなくデータ準備とQCなので、第7章で自動化する。

6. リスク — 過学習 / 焼きすぎ / 色崩れ / bleed

6-1. 過学習 (fried / baked) の兆候と検知

対策の優先順: ①epoch/step削減 (15-30枚なら10-20epoch^[7]) → ②UNet LR↓ (1e-4→7e-5, UNet LRが過学習に最も効く^[7]) → ③network_dropout 0.1-0.3 → ④データ多様性UP (第6-3)。

6-2. 色崩れ (drift) ——最頻リスク

原因の9割は①データに色指定が無い ②キャプションに色を書いてトリガーから剥がしたのどちらか。対策は第4-3 / 4-4の二重防御。CC1事案 (a01/a02/a05全ピンク=momokaクローン) は無人factoryが学習データ生成時に色を指定しなかったのが真因^[13]=データ生成のプロンプトに色ロックを必ず入れる。

6-3. 複数キャラ学習のbleed回避

正則化画像 (regularization)で class と subject を分離するとbleedをさらに抑制できる^[15]。reg/1_1girl/ に汎用1girl画像を入れ、「全ての1girl=このキャラ」になる過汎化を防ぐ^[15]。ただし学習時間が増えるため1キャラ1LoRAなら不要——複数キャラ/汎用語トリガー時のみ使う。

7. 30日量産パイプライン化プラン

キャプション自動付与の最小実装

# WD-tagger等で自動タグ → 色/髪型/目色タグを除去 → トリガー前置
# (色をトリガーに吸収させる=一貫性の核心)
import re
STRIP = re.compile(r'\b(blonde|black|brown|blue|pink|silver|red|green|'
                   r'purple|white|grey) (hair|eyes)\b'
                   r'|twin ?tails?|ponytail|side ?ponytail|long hair|short hair', re.I)
def fix_caption(tags, trigger):
    kept = [t for t in tags if not STRIP.search(t)]   # 恒常特徴を除去
    return f"{trigger}, " + ", ".join(kept)           # 背景/ポーズ/着脱衣装のみ残す

4AI同一性ゲートの運用

CC1は既に _cc1_4ai_eval_2026-06-11.py (GPT-4o/Gemini/Qwen-VL/Grok) を保有^[16]。R18直採点は拒否されるためSFWプレビュー6枚を採点させる運用にする。判定軸=髪色一致/目色一致/髪型/顔同一性/体型/衣装色/KILLスイッチ (ピンク肌・男顔・眼鏡・実写混入)。合格 = 平均80↑ かつ IDENTITY/KILL全PASS かつ 主要色FAIL無。これを preflight() で sys.exit(2) ブロックし、未合格は量産に進めない。

8. 撤退ライン (これを越えたら作り直す)

9. 落とし穴 — CC1の実事案から逆算

10. 既存資産活用 — CC1が今日から使えるもの

• 学習レシピ: MEMORYの基本方針 kohya dim8/alpha1/lr1e-4/1500-3000step^[11] → 本DRでdim16/alpha8に更新推奨 (alpha1は効きが弱すぎる場面あり)。
• 4AI評価器: _cc1_4ai_eval_2026-06-11.py + 24項目チェックリスト _cc1_consistency_checklist_2026-06-11.json^[16] → そのままゲートに接続。
• 量産オーケストレータ: 生成→機械QC→4AI→弾き→再生成のライン^[17] → キャプション除去スクリプト (第7章) を前段に挿入。
• 番犬+タスクスケジューラ: /compactで落ちるデーモンを5分毎自動復活^[18] → 長時間学習ジョブの監視に流用。
• GOLDENレシピ: 合格LoRAでのVol量産 (waiIllustriousSDXL_v160/cfg6/dpmpp_2m karras/超シンプルprompt)^[11]。
• 品質ゲート: r18_quality_gate.html 9軸+gate.json証跡^[11] → LoRA出荷後のVol量産で必須通過。

11. 関連DR一覧 (社内・重複確認済)

本DRは以下の点在DRを「決定版」として1本に統合したもの (パラメータ+データ+色ドリフト+複数キャラbleed+4AI評価+パイプラインを横断接続)。個別深掘りは下記を参照:

• D:\市場調査資料\DR_LoRA学習パラメータ最適化_2026-06-08.html — パラメータ単体の深掘り
• D:\市場調査資料\DR_キャラLoRA全属性固定_学習データ設計とタグ戦略_2026-06-11.html — 24属性固定/タグ戦略
• D:\市場調査資料\DR_キャラLoRA学習_三面図データセット_R18一貫性_2026-05-30.html — 三面図データ設計
• D:\市場調査資料\DR_R18キャラ一貫性_手法横断比較_FaceID_vs_LoRA_vs_新技術_2026-05-30.html — 手法比較
• D:\市場調査資料\DR_キャラLoRA量産自動化パイプライン_2026-05-30.html — パイプライン単体
• D:\市場調査資料\DR_複数LoRA併用の強度設計と干渉回避_2026-05-30.html — 複数LoRA干渉
• D:\市場調査資料\DR_R18LoRA顔崩れ埴輪化防止_2026-06-01.html — 過学習/顔崩れ
• D:\市場調査資料\DR_LoRA_キャラ学習失敗パターンと再現性チェックリスト2026_2026-06-02.html — 失敗パターン
• D:\市場調査資料\DR_SDXL_Illustrious_Pony_モデルLoRA選定運用ガイド_2026-06-09.html — モデル選定

12. 脚注 — 一次情報URL (全実在・2026-06-11確認)

1. [1] kohya_ss Wiki — LoRA training parameters (network_dim/alpha, UNet/TE LR, optimizer, min_snr_gamma=5, noise_offset): https://github.com/bmaltais/kohya_ss/wiki/LoRA-training-parameters
2. [2] Civitai — LoRA training parameters guide for SDXL/Illustrious (DR/AR目安, optimizer別LR): https://civitai.com/articles/21257/lora-training-parameters-guide-for-sdxl-illustrious-civitai-on-site-trainer
3. [3] Apatero — Kohya SS LoRA Training Complete Guide 2025 (alpha=rank/2既定, AdamW8bit VRAM): https://www.apatero.com/blog/kohya-ss-lora-training-complete-guide-2025
4. [4] QWE AI Academy — Stable Diffusion LoRA Training Beginner's Guide (SDXL LR 1e-4/3e-5, step計算, AdamW8bit): https://www.qwe.edu.pl/tutorial/stable-diffusion-lora-training-beginners-guide/
5. [5] konstmish/prodigy — Prodigy optimizer (d_coef 0.5-2, weight_decay, safeguard_warmup): https://github.com/konstmish/prodigy
6. [6] Prodigy issue #8 — Recommended Prodigy Settings / cosine annealing (T_max=total_steps, safeguard_warmup=True): https://github.com/konstmish/prodigy/issues/8
7. [7] Civitai — Illustrious-Lora Training Discussion (epoch sweet spot, weightスイング検知, save per epoch, UNet LR影響, dataset量): https://civitai.com/articles/9148/illustrious-lora-training-discussion
8. [8] lilting channel — WAI-Anima caption rework (色タグ除去で色ドリフト解消・髪色をトリガーに吸収): https://lilting.ch/en/articles/wai-anima-lora-caption-rework
9. [9] Apatero — Anime Character Consistency Guide 2025 (手法比較/IPAdapter限界): https://apatero.com/blog/anime-character-consistency-complete-guide-2025
10. [10] DCAI — Original character LoRA dataset / caption (恒常特徴はキャプションに書かない, 衣装と人物の分離): https://www.digitalcreativeai.net/en/post/original-character-lora-making-a-training-image-and-caption
11. [11] (社内一次) CC1 MEMORY.md — GOLDEN勝ちパターン/色固定POS-NEG/基本LoRA方針 dim8 alpha1 lr1e-4 1500-3000step/品質ゲート: C:\Users\todak\.claude\projects\C--WINDOWS-system32\memory\MEMORY.md
12. [12] Apatero — Anime Character Consistency (過学習兆候: 顔/手崩壊, style bleed, in the style of検知): https://apatero.com/blog/anime-character-consistency-complete-guide-2025
13. [13] (社内一次) project_cc1_lora_color_defect_retrain_2026-06-10.md — a01/a02/a05ピンク髪欠陥/無人factory色未指定/青chQCの穴: C:\Users\todak\.claude\projects\C--WINDOWS-system32\memory\project_cc1_lora_color_defect_retrain_2026-06-10.md
14. [14] kohya_ss docs — image folder structure (concept別フォルダ 30_charA等で複数キャラ分離): https://github.com/bmaltais/kohya_ss/blob/master/docs/image_folder_structure.md
15. [15] kohya_ss Discussion #2056 — regularization images (class/subject分離でbleed抑制): https://github.com/bmaltais/kohya_ss/discussions/2056
16. [16] (社内一次) feedback_lora_consistency_checklist_4ai_2026-06-11.md — 24属性固定/4AI超厳しめ評価/_cc1_4ai_eval_2026-06-11.py/合格基準: C:\Users\todak\.claude\projects\C--WINDOWS-system32\memory\feedback_lora_consistency_checklist_4ai_2026-06-11.md
17. [17] (社内一次) ms_2026-06-11_cc1_supply_line_orchestrator.md — 生成→機械QC→4AI→弾き→再生成オーケストレータ: C:\Users\todak\.claude\projects\C--WINDOWS-system32\memory\ms_2026-06-11_cc1_supply_line_orchestrator.md
18. [18] (社内一次) feedback_kohya_comfyui_cuda_conflict_0xC0000005_2026-06-11.md / feedback_gitbash_path_to_winpython_2026-06-11.md — CUDA競合/パス地雷: C:\Users\todak\.claude\projects\C--WINDOWS-system32\memory\
19. [19] Civitai — SDXL Pony Fast Training Guide (score tags, trigger word, repeat/step計算): https://civitai.com/models/351583/sdxl-pony-fast-training-guide
20. [20] Civitai — On-Site Lora Training Settings Guide by Diamond (Pony/Illustrious共通設定, Prodigy+Cosine): https://civitai.com/articles/8737/on-site-lora-training-settings-guide-by-diamond-for-pony-but-still-applicable-for-others
21. [21] OneTrainer Wiki — Optimizers (Prodigy d_coef/weight_decay解説): https://github.com/Nerogar/OneTrainer/wiki/Optimizers
22. [22] sanj.dev — LoRA Training 2026 Ultimate Guide (VRAM/dataset/diversity): https://sanj.dev/post/lora-training-2025-ultimate-guide/