AIエロ同人のためのキャラLoRA学習
実践完全ガイド2026

AIエロ同人で最大の壁は「コマ間でキャラの顔・髪色・体型が変わる」一貫性崩壊である。seed固定・IPAdapter・プロンプト盛りといった応急策は3シーン目で必ず崩れる（mio崩壊が社内実証済）。本命解はキャラLoRAを最初から作って運用すること。本DRは学習着手から複数キャラ併用運用まで、コピペで動く設定値で完結させる。

これにより GQ採点の「一貫性」軸が 29% → 70%超 に改善する（既存DR実証）^[15]。LoRAは1キャラ作れば96Vol計画の全シリーズで再利用でき、応急策の作り直しコストが消滅する。

DLsiteは2025年2月にAI生成専用フロアを公開し、AI作品を専用ストアに集約して販売を再開した^[16][17]。FANZA同人は1日200本超の新規投入があり、AI生成CG集はコモディティ化が進む^[16]。この環境で差別化の主軸が「キャラ」に移っている。

月3本制限下では「使い捨て単発」より「同一キャラのシリーズ化」が圧倒的に有利。同一キャラを毎回再現できることがLTV最大化の前提であり、その再現エンジンがキャラLoRAである。LoRA1体の学習コスト（電気代＋数時間のGPU時間）は、1シリーズ売れれば即回収できる。

競合する一貫性手法を「再現精度・多角度耐性・運用コスト」で横断比較。キャラLoRAが総合1位である根拠を示す。

4-1. 全体フロー

4-2. 学習データ収集 — 三面図と「変化」が命

枚数は20〜40枚が黄金帯（10〜50枚が許容範囲）。量より「角度・表情・背景のばらつき」が重要。同じ構図ばかりだとそのポーズ／背景が焼き付いて出力が固定化する^[6][9][14]。

• 解像度は1024px基準。長辺が1024以上ならbucketingが縦横比を自動処理するのでトリミング不要^[13]
• 背景は意図的にばらす。全部同じ背景だと背景が焼き付く^[14]
• NSFWカットも混在OKだが、顔の核を学ぶ序盤は顔がはっきり写ったカットを優先

4-3. タグ付け戦略 — 一貫性の8割はここで決まる

WD14 Tagger(conf=0.35前後)で自動タグ → 手動刈り込み。原則は「固定したい固有特徴はタグから消し、トリガーワードに吸収させる」^[10][14]。

4-4. kohya_ss 完全設定(コピペ用 .toml)

R18キャラ標準（Illustrious / WAI-v160系ベース、20-40枚想定）。コメント値はソース^{[1][2][3][8][12][13]}でクロス確認済。

# === character_lora_illustrious.toml ===
[model]
pretrained_model_name_or_path = "...\\waiIllustriousSDXL_v160.safetensors"
v2 = false
sdxl = true

[network]
network_module = "networks.lora"
network_dim   = 16      # R18キャラ標準(顔+体型+衣装)。簡易=8 / 複雑衣装=32
network_alpha = 8       # dim/2 が安定。alpha=1にすると実効LRが上がる

[optimizer]
optimizer_type = "AdamW8bit"   # 省VRAM・十分な精度。上級はProdigy
learning_rate   = 1e-4
unet_lr         = 1e-4
text_encoder_lr = 5e-5         # UNetより低く(影響範囲が広いため)
lr_scheduler    = "cosine"
lr_warmup_steps = 0.1          # 総ステップの10%

[dataset]
resolution = 1024
enable_bucket = true
min_bucket_reso = 768
max_bucket_reso = 1536
# フォルダ名 "5_charamio" = repeats 5  (20枚×5×epoch3 = 300×... 総2000step前後に調整)

[training]
max_train_steps = 2000   # 1500〜2400で調整(下記4-5)
train_batch_size = 2     # VRAM24GBなら2-4。少VRAMは1
mixed_precision = "bf16"
save_precision  = "fp16"
gradient_checkpointing = true
cache_latents = true
clip_skip = 2            # Illustrious/NAI系=2 (Ponyは後述4-7で0)

[regularization]   # 任意。下記4-6の条件を満たす時のみ
# reg_data_dir = "...\\reg_1girl"
# prior_loss_weight = 0.8

[advanced]
noise_offset  = 0.03    # 約0.03でIllustrious基準に合わせる(盛りすぎ厳禁)
min_snr_gamma = 5       # 論文推奨値。収束安定
keep_tokens   = 1       # トリガーワードを先頭固定
shuffle_caption = true  # 学習バイアス補正
caption_dropout_rate = 0.05
seed = 42
save_every_n_epochs = 1 # epoch毎保存→後でベスト選別

4-5. ステップ数の決め方とloss監視

• 総ステップ = 画像枚数 × repeats × epochs ÷ batch_size。20-40枚なら1500〜2400に収まるよう調整^[1][2]
• repeatsは控えめに。batch_size=4でrepeats>4だと同一バッチに同じ画像が複数入り学習が歪む^[3]
• train lossは緩やかに低下すれば正常。0.08以下で横ばい＋多様性低下なら過学習サイン(第6章)^{[Grok-4.3検証]}
• 必ずsave_every_n_epochs=1で各epochを保存し、後から最良epochを選ぶ（最終epochが最良とは限らない）

4-6. 正則化画像(reg images)の判断

reg画像は「そのクラス(例 1girl)が本来どう見えるか」を学ばせ過学習を抑える。ただし大量に入れるとキャラ特徴ごと薄まるので10〜20枚に留める^[7][11]。

4-7. Pony Diffusion XL を使う場合の差分

4-8. ComfyUI 運用 — LoraLoader組込みと複数キャラ併用

単体キャラ

Load Checkpoint → LoraLoader(model+clip) → CLIP Text Encode → KSampler。プロンプト先頭にトリガーワード。強度はstrength_model=0.8〜1.0 / strength_clip=0.8から。

2体の異なるキャラを1枚に(破綻回避の本命手順)^{[Grok-4.3検証][19][20]}

Checkpoint
  └ LoraLoader(charA)  strength_model 0.65-0.75 / strength_clip 0.55-0.65
       └ LoraLoader(charB)  同上(直列チェーン)
            └ Regional Prompt または Attention Couple
                 └ (任意) マスク: 境界を20px以上ぼかす
                      └ KSampler

キャラLoRA1体の学習コスト(自宅GPU/RTX4090想定)は電気代＋数時間で実質ほぼ¥0〜数十円。これが「シリーズ資産」に化ける。

6-1. 過学習の診断5サイン＋対処(Grok-4.3検証)

6-2. 法務・規約リスク

• 学習データの出所: 他者の著作物・実在人物写真の無断学習はNG。オリキャラ／自家生成画像でデータセットを作る（本DRの三面図ブートストラップが安全）^[10]
• InsightFace系顔スワップは商用R18で使用不可（ライセンス制約・既存DR参照）。LoRA＋IPAdapterで代替
• DLsite/FANZAのAIフロア規約遵守: AI生成は専用フロア、年齢/モザイク基準・mature回避(MEMORY準拠)^[16][17]
• FLUX系のライセンス: 商用R18利用可否を都度確認(モデルにより非商用)

1. 固有特徴をタグから刈らない → トリガー以外にもキャラが滲み、他キャラ汚染。最頻出の失敗^[10][14]
2. 固有特徴を全部刈る → 1girlがそのキャラに化け多人数画像が破綻。汎用属性は残す
3. alpha=dimにして実効LRを誤る → alpha=dim/2が安定。alphaを上げる=学習弱め、ではなく実効LR計算(alpha/dim)を理解する^[1][12]
4. repeatsを盛りすぎて同一バッチ重複 → 学習が歪む。batch_sizeとの関係を見る^[3]
5. 最終epochを盲信 → 過学習している場合あり。早いepochを必ず比較
6. noise_offsetを盛る(特にPony) → コントラスト/ノイズ崩壊。0〜0.03に抑える^[13]
7. 同じ背景・同じ服ばかりのデータ → 背景/服が焼き付く。多様化必須^[14]
8. 複数LoRAを全部strength1.0で重ねる → 干渉で顔が溶ける。合計≤1.4ルール^{[Grok-4.3][19]}
9. clip_skipの取り違え(Illustrious=2 / Pony諸説) → smokeで両方比較^[5]
10. スコアだけ信じて実画像を見ない → Grok高得点でも崩壊例あり。必ず目視(MEMORY厳命)

• oudou既存ベスト画像を三面図ブートストラップの種に使い、初代データセットを最速で組む(新規描き起こし不要)
• waiIllustriousSDXL_v160(承認モデル)をベースに学習→同checkpointで生成すれば相性最良
• 品質ゲートr18_quality_gate.htmlとNegativePrompt DRのマスターNEG(髪色/目色/mature封殺)を生成時にそのまま流用
• LoRA管理台帳(キャラ名/トリガー/dim/alpha/最良epoch/データ枚数)をSheets化し96Vol計画と接続
• _mem_guard常駐＋ComfyUI /freeでLoRA量産時のRAM事故を防止(MEMORY準拠)

[1] Civitai — LoRA training parameters guide for SDXL/Illustrious (on-site trainer): https://civitai.com/articles/21257/lora-training-parameters-guide-for-sdxl-illustrious-civitai-on-site-trainer

[2] DCAI — Original character LoRA [Illustrious-XL Training]: https://www.digitalcreativeai.net/en/post/original-character-lora-illustrious-character-training

[3] sanj.dev — LoRA Training 2025: Complete Step-by-Step Guide (Kohya): https://sanj.dev/post/lora-training-2025-ultimate-guide/

[4] Civitai — Illustrious-Lora Training Discussion 29/05/2025: https://civitai.com/articles/9148/illustrious-lora-training-discussion-29052025

[5] DCAI — Original character LoRA [PonyV6 Training]: https://www.digitalcreativeai.net/en/post/original-character-lora-pony-character-training

[6] Floyo — Character LoRA Creation Guide & Live Workflows: https://www.floyo.ai/character-lora-training-guide-workflows

[7] GitHub — How are regularization images used during LoRA training? (kohya_ss Discussion #2056): https://github.com/bmaltais/kohya_ss/discussions/2056

[8] Civitai — Opinionated Guide to SDXL Lora Training: https://civitai.com/articles/1716/opinionated-guide-to-sdxl-lora-training

[9] SeaArt Guide — How To Create Dataset For Training: https://docs.seaart.ai/guide-1/3-advanced-guide/3-2-lora-training-advance/how-to-create-dataset-for-training

[10] Mohsin Akram — How to Tag Images for LoRA Training: Full 2026 Guide: https://www.mohsindev369.dev/blog/how-to-tag-images-for-lora-training

[11] SeaArt Guide — 3-2 LoRA Training (Advance): https://docs.seaart.ai/guide-1/3-advanced-guide/3-2-lora-training-advance

[12] GitHub — kohya_ss Wiki: LoRA training parameters: https://github.com/bmaltais/kohya_ss/wiki/LoRA-training-parameters

[13] rentry.co — THE OTHER LoRA TRAINING RENTRY: https://rentry.co/59xed3

[14] Civitai — HOW TO: Prevent LoRA bleed using SDXL/Pony/Illustrious: https://civitai.com/articles/10780/how-to-prevent-lora-bleed-using-sdxlponyillustrious

[15] Civitai — Preventing style bleeding from character loras by selectively enabling blocks (SDXL): https://civitai.com/articles/5301/preventing-style-bleeding-from-character-loras-by-selectively-enabling-blocks-sdxl

[16] DLsite サービスインフォメーション — AI生成フロアを公開しました: https://info.eisys.co.jp/dlsite/dcbab34695586403?locale=default

[17] KAI-YOU — DLsite、AI生成作品の取扱いを再開 専用ストアに集約して販売へ: https://kai-you.net/article/88908

[18] note(夜絵) — 【AIイラスト】ゼロから稼ぐDLsite簡単攻略方法【2025年7月版】: https://note.com/calm_cosmos29/n/n7bc9cee39b67

[19] neurocanvas.net — Multi-LoRA Workflows in ComfyUI: Stacking & Composition: https://neurocanvas.net/blog/multi-lora-workflows-comfyui/

[20] ComfyUI 公式 — Multiple LoRAs Example: https://docs.comfy.org/tutorials/basic/multiple-loras

[21] konstmish/prodigy(GitHub) — Prodigy optimizer 推奨設定(d_coef=2 等): https://github.com/konstmish/prodigy

[22] Civitai — bdsqlsz LoRA training Advanced Tutorial(2): Prodigy is ALL YOU NEED: https://civitai.com/articles/1022/update-sdxl-scriptbdsqlsz-lora-training-advanced-tutorial2prodigy-is-all-you-need

[検証] 多段推論パート(過学習診断ロジック・複数キャラ併用の合計強度ルール)は Grok-4.3 (xAI) による検証パスを経由(grok_router.py / dr_world_top / コスト$0.3293記録済)。