マージ適用優先度ロードマップ

2-1 重み加算（Linear Merge）

最も基本的なLoRAマージ手法。各LoRAの重み行列を指定比率で線形結合する。

LoRAは内部的に A行列（down projection） と B行列（up projection） の積として表現される。

Linear Mergeはこの差分行列を比率加算する。計算が最速で実験初期に最適だが、重みの符号衝突（両LoRAで逆方向の更新が存在する場合）により品質が劣化することがある。

2-2 SLERP（球面線形補間）

2モデル専用。重みベクトルを球面上のジオデシック（最短経路）で補間するため、重みの大きさ（ノルム）を保存しつつ方向をブレンドできる。色味・塗りの崩壊を抑制する効果がある。

3個以上のLoRAには対応しない。2キャラの等価合成（0.5:0.5）や微妙な調整（0.4:0.6）に最適。

2-3 TIES（TrIm, Elect Sign, and Merge）

複数LoRAのパラメータ干渉を段階的に解消する高精度手法。

3個以上のLoRAマージで最も効果を発揮する。特にスタイル汚染・色味干渉の激しいケースに推奨。

2-4 DARE（Drop And REscale）

研究論文で提案された手法で、90-99%の差分重みをランダムにゼロ化してからリスケールする。過剰な特化を削ぎ落とし、複数LoRAの干渉を最小化する。

• density=0.8（20%をドロップ）～ density=0.01（99%ドロップ）まで調整可能
• DARE-Linear：ドロップ後に線形加算
• DARE-TIES：ドロップ後にTIES適用（最高精度・ComfyUI DAREノードで実装）

2-5 SVD分解マージ（ランク不一致対応）

異なるrankのLoRA（例：dim8 + dim16）を直接合算すると形状エラーが発生する。SVD版マージは以下のステップで対応する：

1. 各LoRAのA×B積（完全差分行列ΔW）を計算
2. 線形加重合算してΔW_mergedを得る
3. SVD分解：ΔW_merged = U × S × Vᵀ
4. 上位k個の特異値でrank-k近似LoRAを再構成

merge_lora.py 実際のコマンド例

# 同一dimのキャラLoRA A(0.65) + キャラLoRA B(0.35) のマージ
python networks/merge_lora.py \
  --sd_model "D:/models/waiIllustrousSDXL_v160.safetensors" \
  --save_to  "D:/loras/merged_charAB_v1.safetensors" \
  --models   "D:/loras/char_miyabi.safetensors" \
             "D:/loras/char_yuki.safetensors" \
  --ratios   0.65 0.35 \
  --device   cuda \
  --dtype    float16 \
  --save_precision fp16 \
  --clamp_quantile 0.99

svd_merge_lora.py（ランク不一致時）

# dim8キャラ + dim16スタイルのSVDマージ
python networks/svd_merge_lora.py \
  --sd_model "D:/models/waiIllustrousSDXL_v160.safetensors" \
  --save_to  "D:/loras/svd_char_style_merged.safetensors" \
  --models   "D:/loras/char_miyabi_dim8.safetensors" \
             "D:/loras/style_anime_dim16.safetensors" \
  --ratios   0.65 0.35 \
  --svd_rank 64 \
  --device   cuda --dtype float16

エラー対処 TOP3

ComfyUI LoRA-Merger-ComfyUI ノード構成

[Load LoRA File A] ──┐
                     ├─→ [DARE Merge LoRA Stack] ──→ [Apply LoRA Merged] ──→ [KSampler] ──→ [VAE Decode]
[Load LoRA File B] ──┘         ↑                              ↑
                         density=0.80                [Load Checkpoint]
                         ratios=[0.65,0.35]          waiIllustrousSDXL_v160
                         method=DARE-TIES

DARE Merge LoRA Stackノード推奨設定（v160向け）：merge_method=DARE・density=0.75-0.85・ratios合計1.0・3LoRA同時マージまで・seed固定推奨（再現性確保）。

必須前提条件

推奨マージ比率テーブル（キャラA vs キャラB）

デュアルトリガーワード設計ガイド

# マージ後の呼び出しパターン（比率0.7:0.3の場合）

A主体で生成：
  "miyabi_char, 1girl, ..."

B要素を強調したい場合：
  "miyabi_char, yuki_char, 1girl, ..."  ← 両トリガー並列

LoRAスタック（Runtime運用）との比較：
  # Runtime版（推奨）
  LoRA: miyabi_char.safetensors, model_str=0.75
  LoRA: yuki_char.safetensors,   model_str=0.25

ZipLoRA の概念

ZipLoRA（論文: "Any Subject in Any Style by Effectively Merging LoRAs", 2023）はスタイルLoRAとキャラLoRAを自動最適化でマージする手法。本質的にハイパーパラメータフリーで最適比率を自動計算するが、Illustrious向け実装には追加設定が必要。手動マージでは以下の比率が実用上の最適解となる。

Illustrious向け実用マージ比率テーブル（6パターン）

スタイルLoRA種類別推奨マージ強度

ブロック重み（block weight）による干渉回避

sd-webui-supermerger のブロック重み機能を使用することで、UNetの特定レイヤーにのみスタイルLoRAを適用することができる。キャラLoRAと干渉しやすいレイヤー（入力・中間ブロック）を避け、スタイルが作用しやすい出力ブロックに集中させる戦略が有効。

# ブロック重み設定例（キャラ保護・スタイル後段適用）
# IN_BLOCKS(0-11) / MID_BLOCK(0) / OUT_BLOCKS(0-11)

キャラLoRA:  IN=1.0, MID=1.0, OUT=1.0  ← 全ブロック適用
スタイルLoRA: IN=0.0, MID=0.3, OUT=0.7  ← 後半ブロックのみ

低ランクパッチ（差分LoRA）の概念

崩壊したLoRAをゼロから再学習するのではなく、崩壊部分のみを差分として上書きするアプローチ。崩壊LoRAとターゲット理想出力の差分を低ランクで学習することで、工数を1/3-1/5に削減できる。

崩壊パターン別修復アプローチ

Recover-LoRA アプローチ

2024年論文で提案された「精度劣化モデルからの軽量LoRA復元」手法。崩壊LoRAのA行列・B行列を固定し、残差をdim4の小ランクアダプタで学習することで最小工数で精度を回復する。Kohya環境では以下の設定で近似実装が可能：

# 差分LoRA学習の近似設定（kohya_ss train_network.py）
network_dim = 4         # 最小ランク（修復パッチ用）
network_alpha = 1
learning_rate = 5e-5   # 通常より低め（過修正防止）
max_train_steps = 500  # 短期修復
# 崩壊LoRAをnetwork_weightsに指定して差分学習
network_weights = "path/to/broken_lora.safetensors"

53体NG 修復判断フローチャート

7-1 LoRA転移の基本概念

waiIllustrious v160で学習したLoRAを他のSDXLモデルで使用すると、同じ差分重みが異なるベース重みに加算されるため、結果が変わる。ベースモデル差分（delta）を計算して補正することで転移精度を向上させる手法がある。

SDXL系モデル間 LoRA互換性マトリクス

delta補正コマンド例（概念的）

# ベースモデル差分を計算（スクリプト例）
python calc_model_delta.py \
  --base_src "waiIllustrousSDXL_v160.safetensors" \
  --base_tgt "waiANIPONY_v140.safetensors" \
  --output   "delta_v160_to_pony.safetensors" \
  --scale    0.3   # 補正強度（0.1-0.5）

# LoRAに差分補正を適用
python apply_delta_to_lora.py \
  --lora_in  "char_miyabi_v160.safetensors" \
  --delta    "delta_v160_to_pony.safetensors" \
  --lora_out "char_miyabi_pony.safetensors"

転移失敗パターン TOP5

1. 色味完全崩壊：転移先のカラーキャリブレーションが大きく異なる場合。delta_scaleを0.1に下げて再試行。
2. 解像度・ディテール低下：転移先が低解像度特化の場合。転移先専用に再学習を推奨。
3. トリガーワード無効化：転移先のトークナイザーが異なる場合。transfer後はトリガーワードを変更する。
4. スタイルの全体的劣化：ベースモデルの画風差が大きすぎる場合（Illustrious→Pony）。0.5以下の model_str で使用に留める。
5. 体型・プロポーション変化：モデルごとの身体比率学習データが異なるため。キャラ識別レベルの妥協が必要。

一貫性テスト標準プロンプトセット

マージ品質合否チェックリスト（10項目）

合格基準：合計 80点以上（量産可）。70-79点は追加調整推奨。69点以下は再マージまたは廃棄。

Runtime strength vs Merge weight（baked）詳細比較

ComfyUI 実務設定例（model_str vs clip_str）

# ComfyUI Load LoRA ノード設定（waiIllustrous v160向け）

## 通常キャラLoRA（単体使用）
model_strength_model: 0.78   # UNet適用強度
model_strength_clip:  0.82   # テキストエンコーダ適用強度

## キャラ+スタイル 2本同時（Runtime）
LoRA1 (キャラ): model=0.75, clip=0.80
LoRA2 (スタイル): model=0.40, clip=0.30

## NG体の強度下げ運用（修復の前に試す）
model_strength_model: 0.55   # 0.75→0.55 に下げる
model_strength_clip:  0.60

# clip_str が高すぎる（0.9+）と prompt の効きが弱くなる
# → テキスト指示の自由度が落ちるため0.85以下推奨

使い分け判断フロー

マージ失敗パターン TOP10

マージ比率チューニング実例

「みやびキャラLoRA（dim8, waiIllustrous v160）+ アニメスタイルLoRA（dim16）」のSVDマージ比率調整プロセス：

修復コスト試算比較

NG体分類マトリクス（53体 想定分布）

30日修復ロードマップ

優先度スコアリング（5軸）