WAI Illustrious XL 色崩壊完全対策集 2026年版

1 色化けメカニズム解剖（WAI v160の特性）

1-1. 学習データ起因の色バイアス

WAI Illustrious SDXL v160 は Danbooru 2024-June 以前のアニメイラストを大量に学習したモデルです。学習データにはサイバーパンク・ネオン照明・ファンタジー系画像が多数含まれており、緑（H:100–140）・シアン（H:170–200）・ネオンイエロー（H:55–70）の色相に過学習が生じています^[1]。この結果、プロンプトで指定した茶・赤・金などの「地味色」が生成時に彩度の高いネオン系へ引き寄せられます。

1-2. 色化け系統マッピング（実測ベース）

1-3. v16 の既知の色トーン問題（v17 で修正済）

1-4. CFG と色発散の関係

CFG スケールが 7.0 を超えると、CLIP attention がネオン方向に過剰収束しやすくなります^[3]。CFG 8 以上では彩度が自動的に高くなり、ネオン崩壊確率が急上昇します。v160 での推奨 CFG は 5.5–6.5 の範囲（ゴールデン設定は 6.0）です。

2 ヘアカラー別 hair_pos/hair_neg 完全設定テーブル（23色）

3 目色固定の完全対策

3-1. 目色化けのパターン

目色の attention は髪色より弱いため、NEG 指定がないと学習データのモード（青目が最多）に引っ張られます。brown eyes → blue/green への化けが最も頻出。^[5]

3-2. CLIP token 配置と重みづけ

4 肌色ロック設定（3パターン）

5 背景色化け対策

5-1. grey background が水色/シアンに化ける原因

WAI v160 の cyan bias（H:170–200 への誘引）は背景にも作用します。grey background 単体では H:180 付近（水色〜シアン）に収束することがあります^[7]。

5-2. 背景色と髪色の干渉防止原則

• 背景色と髪色の 色相差を 60° 以上確保すると干渉が激減する
• honey brown 髪（H:30前後）× grey background は色相差 150° → 安定
• teal 髪（H:180前後）× grey background は色相差 0°付近 → cyan 汚染リスク大
• シンプル背景には必ず simple background, solid color background を POS に追加

6 VAE 破壊 vs 通常色化けの見分け方

6-1. ネオン崩壊（VAE 起因）の視覚的特徴

6-2. 推奨 VAE 設定^[8][9]

7 PIL/numpy 彩度スクリーニングコード

生成後の画像を自動チェックして「崩壊色が閾値を超えていたら reject」するスクリプトです^[11]。

"""
color_collapse_screener.py
WAI Illustrious XL v160 色崩壊自動スクリーニング
使い方: python color_collapse_screener.py ./output_dir --hair honey_brown
"""
import numpy as np
from PIL import Image
import colorsys
import sys
import os
from pathlib import Path

# キャラ別・期待ヘアカラーの色相中心と許容半径 (HSV hue 0-360)
HAIR_HUE_MAP = {
    "honey_brown":     (30,  35),   # H:30 ±35
    "dark_red":        (355, 25),   # H:355 ±25 (red side)
    "black":           (0,   999),  # 黒は無彩色なので saturation で判定
    "dark_brown":      (25,  30),
    "light_brown":     (28,  35),
    "auburn":          (15,  30),
    "silver":          (0,   999),  # 無彩色
    "platinum_blonde": (50,  40),
    "blonde":          (48,  35),
    "light_blonde":    (50,  40),
    "white":           (0,   999),  # 無彩色
    "pink":            (340, 30),
    "light_pink":      (340, 40),
    "purple":          (280, 35),
    "blue":            (225, 35),
    "light_blue":      (205, 35),
    "teal":            (180, 25),
    "green":           (120, 30),
    "orange":          (25,  25),
    "red":             (0,   25),
    "gray":            (0,   999),  # 無彩色
}

# 崩壊色として検出するネオン色相範囲と彩度閾値
NEON_ZONES = [
    ("neon_green",  100, 140, 0.60),
    ("cyan",        170, 200, 0.50),
    ("neon_yellow",  55,  70, 0.65),
    ("neon_magenta", 290, 320, 0.70),
]

def pixels_to_hsv(img: Image.Image) -> np.ndarray:
    """PIL Image -> HSV array (N, 3) H:0-360 S:0-1 V:0-1"""
    arr = np.array(img.convert('RGB')).reshape(-1, 3) / 255.0
    hsv = np.array([colorsys.rgb_to_hsv(r, g, b) for r, g, b in arr])
    hsv[:, 0] *= 360  # H を 0-360 へ
    return hsv

def hue_diff(a, b):
    """色相の最短角距離 (0-180)"""
    d = abs(a - b) % 360
    return min(d, 360 - d)

def screen_image(img_path: str, hair_key: str, neon_ratio_thresh=0.08,
                 hair_deviation_thresh=50) -> dict:
    """
    1枚の画像を評価
    Returns: {'pass': bool, 'reason': str, 'neon_ratio': float, 'hair_hue_dev': float}
    """
    img = Image.open(img_path)
    w, h = img.size
    hsv = pixels_to_hsv(img)
    H, S, V = hsv[:, 0], hsv[:, 1], hsv[:, 2]

    total = len(H)
    result = {"pass": True, "reason": "OK", "neon_ratio": 0.0, "hair_hue_dev": 0.0}

    # 1. ネオン色検出
    neon_count = 0
    for name, h_min, h_max, s_thresh in NEON_ZONES:
        count = int(np.sum((H >= h_min) & (H <= h_max) & (S >= s_thresh)))
        neon_count += count
    neon_ratio = neon_count / total
    result["neon_ratio"] = round(neon_ratio, 4)
    if neon_ratio > neon_ratio_thresh:
        result["pass"] = False
        result["reason"] = f"NEON_COLLAPSE: neon ratio={neon_ratio:.2%} > {neon_ratio_thresh:.0%}"
        return result

    # 2. 期待ヘアカラーとの乖離チェック（彩度のある画素のみ）
    if hair_key in HAIR_HUE_MAP:
        expected_h, tolerance = HAIR_HUE_MAP[hair_key]
        if tolerance < 999:  # 無彩色系はスキップ
            colored_mask = S > 0.30
            if colored_mask.sum() > 100:
                dominant_h = float(np.median(H[colored_mask]))
                dev = hue_diff(dominant_h, expected_h)
                result["hair_hue_dev"] = round(dev, 1)
                if dev > hair_deviation_thresh:
                    result["pass"] = False
                    result["reason"] = (
                        f"COLOR_DRIFT: dominant hue={dominant_h:.0f}° "
                        f"expected={expected_h}° dev={dev:.0f}° > {hair_deviation_thresh}°"
                    )

    return result

def batch_screen(folder: str, hair_key: str, move_rejected=True):
    """フォルダ内の全 PNG/JPG をスクリーニング"""
    p = Path(folder)
    reject_dir = p / "_rejected"
    reject_dir.mkdir(exist_ok=True)
    images = sorted(p.glob("*.png")) + sorted(p.glob("*.jpg"))
    passed, rejected = 0, 0
    for img_path in images:
        res = screen_image(str(img_path), hair_key)
        status = "PASS" if res["pass"] else "FAIL"
        print(f"[{status}] {img_path.name:40s} "
              f"neon={res['neon_ratio']:.2%} "
              f"hue_dev={res['hair_hue_dev']:.0f}° "
              f"| {res['reason']}")
        if not res["pass"]:
            rejected += 1
            if move_rejected:
                img_path.rename(reject_dir / img_path.name)
        else:
            passed += 1
    print(f"\nResult: {passed} passed / {rejected} rejected "
          f"({rejected/(passed+rejected)*100:.1f}% reject rate)")

if __name__ == "__main__":
    import argparse
    ap = argparse.ArgumentParser()
    ap.add_argument("folder")
    ap.add_argument("--hair", default="honey_brown",
                    choices=list(HAIR_HUE_MAP.keys()))
    ap.add_argument("--neon-thresh", type=float, default=0.08)
    ap.add_argument("--hue-thresh", type=float, default=50.0)
    ap.add_argument("--no-move", action="store_true")
    args = ap.parse_args()
    batch_screen(args.folder, args.hair,
                 move_rejected=not args.no_move)

# aika（honey brown）のサンプル生成後にスクリーニング
python color_collapse_screener.py D:\output\aika_samples --hair honey_brown

# 閾値を緩める場合（許容範囲を広げる）
python color_collapse_screener.py D:\output\ako_samples --hair dark_red --hue-thresh 60

8 ComfyUI ワークフロー色固定設定

8-1. CLIPTextEncode での色 token 配置

8-2. KSampler 推奨設定

8-3. IllustriousCLIPTextEncoder ノードの活用

ComfyUI-EasyIllustrious の IllustriousCLIPTextEncoder ノードを使用すると、stop_at_clip_layer=-2 を確実に設定できます^[13]。通常の CLIPTextEncode + CLIPSetLastLayer の組み合わせより設定ミスが減ります。

8-4. ComfyUI ワークフロー内での色 NEG 注入フロー

CLIPTextEncode [POSITIVE]
  └─ text: "(honey brown hair:1.45), (brown eyes:1.35), (fair skin:1.3),
            masterpiece, best quality, [character_desc], [scene_desc]"
  └─ clip → CLIPSetLastLayer(stop=-2) → conditioning

CLIPTextEncode [NEGATIVE]
  └─ text: "worst quality, bad quality, worst detail,
            green hair, neon green hair, cyan hair, teal hair, yellow hair,
            blue hair, multicolored hair, gradient hair, streaked hair,
            green eyes, cyan eyes, blue eyes,
            tanned skin, dark skin, green skin,
            cyan background, green background, neon background"
  └─ clip → CLIPSetLastLayer(stop=-2) → conditioning

KSampler → VAE Decode (sdxl-vae-fp16-fix)

9 seed 固定・CFG 値と色一貫性

9-1. CFG 値と色純度の関係

9-2. seed 固定の扱い方

9-3. steps 数と色安定性

steps 20 以下ではサンプリングの中途段階で確定した「崩壊色」がそのまま残りやすい。28–30 steps が色収束の安定点です。steps 40 以上は過焼けのリスクがあり色彩度が上がりすぎる場合があります^[3]。

10 最終手段：キャラLoRA（dim8/alpha1）

10-1. なぜ LoRA が色崩壊の根本解決になるか

プロンプトによる色指定は「モデルの色バイアスを説得する」行為であり、バイアスが強いと負けます。キャラ LoRA はモデルの重みに直接「このキャラはこの色」という情報を書き込むため、プロンプト指定色の再現率が劇的に向上します^[14]。

10-2. 推奨学習設定（DCAI / Civitai 調査ベース）^[14][15]

10-3. 学習画像の選定基準（色崩壊防止）

10-4. キャプションでの色タグ明示

# キャプション例（aika の場合）
1girl, aika, honey brown hair, long hair, straight hair, brown eyes,
fair skin, [outfit description], masterpiece, best quality

# 注意：キャプションに gradient hair / multicolored hair を含む画像は除外
# 注意：green_hair, cyan_hair になった生成画像は絶対に学習データに含めない

10-5. LoRA 強度と色の押しつけ効果

11 関連 DR 一覧