キャラLoRA全属性完全固定
学習データ設計＆タグ戦略完全ガイド2026

対象: SDXL / Illustrious系（waiIllustriousSDXL_v160ほか）・kohya_ss / Prodigy。髪・目・顔・衣装・下着・種族特徴・性格表情まで「細部まで一貫させる」ための実用レシピ集。2026-06-11 / 重視軸: 技術。脚注は全て実在URL。

この1本でわかること

20-40キャラ標準枚数^[1][6]

dim32
alpha16実証済レシピ

Prodigy
lr=1.0過学習回避optimizer^[2]

keep_
tokens吸収の鍵^[3]

核心は「キャプションに書かない属性はトリガーに吸収され固定、書いた属性は推論時に可変」という吸収メカニズム^[5]。全属性を固定したいなら「アイデンティティ属性は徹底的に書かない＋化け色をNEGで殺す」、後で着替えさせたいパーツだけ温存する、というハイブリッド設計が2026年の最適解。

1. 結論（最初に読む設計図）
2. 市場規模・技術トレンド
3. 競合手法TOP10（固定力比較）
4. 技術スタック（環境・パラメータ）
5. 属性別固定難易度マトリクス＆レシピ
6. 収益試算（固定精度の事業価値）
7. リスク（化け色・崩壊・著作権）
8. 30日プラン
9. 撤退ライン（再学習判断）
10. 落とし穴TOP10
11. 既存資産活用（CC1パイプライン）
12. 関連DR一覧＆脚注

1. 結論 — 全属性固定の設計図

キャラLoRAの成否は「画像とキャプションで90%決まる」^[6]。パラメータは脇役。全属性を1ミリも崩さず固定したいトフィーさんの要望に対する最終結論は3つ。

結論①：属性を「アイデンティティ層 / 可変層」に二分し、層ごとにキャプション処理を変える

トリガー吸収の原理^[3][5]：キャプションに書かなかった視覚要素は、トリガー語に「この子＝その特徴」として焼き込まれる。書いた要素は推論時に上書き可能になる。

層	該当属性	キャプション処理	狙い
アイデンティティ層（絶対固定）	髪色・瞳色・目の形・輪郭・肌色・鼻口・ほくろ・体型・種族特徴（角/耳/尻尾/羽）	書かない（タグから削除）→トリガーに吸収	プロンプトに毎回書かなくても勝手に出る・崩れない
準固定層（基本固定・たまに替える）	髪型（ポニテ/ツインテ等の構造）・デフォルト衣装一式	構造タグだけ温存（color語は削る）	着替え・髪型替えを残しつつ既定値は安定
可変層	表情・ポーズ・アングル・背景・差分衣装・R18状態	全部書く	自由に動かす

実例（lilting.ch WAI-Animaの再構成キャプション^[3]）：髪色 brown hair・瞳色 brown eyes は削除してトリガー kanachan に吸収、髪型構造 side ponytail, ahoge, double parted bangs, medium hair は温存。結果「髪色は明確に改善・髪型は差し替え可能」。

結論②：吸収だけでは化ける属性は「色ロックNEG」で二重に守る

吸収は強力だが、推論時にベースモデルが持つ強い事前分布（例：金髪指定なのに黒髪+青グラデに化ける、瞳が赤に化ける）に負けることがある^[15]。トリガー吸収＝攻めの固定、NEGで化け候補色を全部殺す＝守りの固定。両方やる。

【生成時POS】 kanachan, 1girl, (blonde hair:1.2), (blue eyes:1.2), ...
【生成時NEG】 (black hair:1.4),(brown hair:1.4),(multicolored hair:1.4),
            (gradient hair:1.4),(red eyes:1.3),(heterochromia:1.3)

髪色・瞳色は「最大の弱点」。冗長に固定（POS弱weight 1.1-1.2）＋化けやすい他色を全部NEG。weightは盛りすぎ厳禁（1.3以上は色破綻fryの原因^[16]）。

結論③：細部（下着の柄・縁取り・小物の色）はLoRAで完全固定しにくい。設計で担保する

これがトフィーさん要望の中で唯一の難所。理由は後述（§5）。先に対策の結論：①学習データに同じ下着/小物を多枚数で必ず映す ②専用の固有タグを与える ③それでも崩れる細部は生成後にinpaintで描き直す/写植で重ねる、を前提に運用する。下着は「SDが既にパンツを大量に知っている」ため少枚数だと汎用柄に化けやすい^[1]。

2. 市場規模・技術トレンド

キャラLoRAの「全属性固定」需要は、AI同人CG集・連作（同一キャラで複数Vol）・キャラ商品化（LoRAカタログ販売）で爆発的に増加。一貫性が崩れると「別人問題」で作品価値が即ゼロになるため、固定精度＝直接の収益ドライバ。

SDXL/Illustrious系が事実上の標準：アニメ系はIllustrious（danbooruタグ理解が強い）が主流。タグ構造 1girl, <trigger>, hair, eyes, clothing, pose, background でパースされる^[6]。
少枚数高精度化：8枚の高品質画像でも成功例あり^[1]。「量より質」がコンセンサス。20-30枚で収穫逓減。
Prodigy optimizer普及：学習率自動調整で過学習回避＋bitsandbytes（AdamW8bit）のWindows不安定を回避。lr=1.0固定が鉄則^[2]。
キャプション戦略の洗練：2023年の「全部書け」から、2026年は「アイデンティティは書かず吸収・可変は書く」ハイブリッドへ^[3][5]。
多概念ドロップアウト研究：複数キャラを1LoRAで崩さず再現する周波数認識ドロップアウト等の論文も登場^[4]。双子・カップル作品で有用。

3. 競合手法TOP10 — 全属性固定の手段比較

#	手法	固定力	細部固定	柔軟性	コメント
1	キャラLoRA（吸収型）	◎	△	△	本命。髪色瞳色顔は最強固定。下着柄は弱い^[5]
2	キャラLoRA（タグ温存型）	○	△	◎	着替え自由だが毎回属性指定必要・崩れやすい^[5]
3	LoRA + 衣装専用ネスト trigger	◎	○	○	複数衣装を `trigger_school` 等で分離^[5]
4	LoRA + 正則化画像	○	△	◎	過学習/背景焼付き抑制・柔軟性↑^[7]
5	LoRA + inpaint細部修正	◎	◎	○	下着柄/小物はここで担保。実運用の最終兵器
6	IPAdapter（FaceID）	△	×	◎	顔だけ・青グロー・衣装下着は固定不可
7	Textual Inversion	△	×	△	軽量だが情報量不足・細部弱い
8	DreamBooth全層FT	◎	○	×	固定最強だが重い・正則化必須^[8]
9	固定seed+プロンプト固め	×	×	×	3シーン目で崩壊（応急策）
10	多概念ドロップアウトLoRA	○	△	○	複数キャラ同時・最新研究^[4]

結論：「吸収型キャラLoRA（#1）＋衣装ネストtrigger（#3）＋inpaint（#5）」の3点セットが全属性固定の現実解。IPAdapterやseed固めは補助にすらならない。

4. 技術スタック — 環境とパラメータ確定値

4-1. 学習環境（Windows / kohya_ss）

kohya_ss sd-scripts（sdxl_train_network.py）^[9]。venvはComfyUI埋め込みtorchと隔離。
キャプション付与：WD14 Tagger（--general_threshold 0.35 --remove_underscore）→後処理でアイデンティティ属性を削除。
Mixed Precision bf16 / cache_latents True / gradient_checkpointing True / --no_half_vae^[2]。

4-2. パラメータ確定値（キャラ・SDXL/Illustrious）

項目	推奨値	根拠
Network dim (rank)	16〜32（顔特化16・複雑キャラ32）	16でファイル100MB・小データで十分^[1]/32は情報量重視
Network alpha	dimの半分〜同値（dim32→alpha16）	実証レシピ（CC1 momoka成功）
optimizer	Prodigy（lr=1.0固定）	自動LR・200-300stepで最適化・bnb回避^[2]
Prodigy追加引数	`decouple=True weight_decay=0.01 d0=1e-4 use_bias_correction=True`	kohya標準^[2]
LR scheduler	cosine（cosine annealing）	後半で焼きすぎ防止^[6]
総step	1500〜3000（epoch保存推奨）	Illustrious標準^[6]
num_repeats / batch	10 / 2	20枚×10×epoch計算で総step調整^[11]
keep_tokens	1〜2（先頭トリガー数に一致）	shuffleでトリガーが混ざらないよう固定^[3][1]
shuffle_caption	On	タグ順依存を防ぐ^[1]
resolution	1024,1024（bucket 832×1216等）	SDXL標準・enable_bucket^[2]
noise_offset	0.03	暗部/明部コントラスト改善
flip augmentation	左右対称キャラのみOn	非対称デザイン（左サイドポニテ等）はOff必須^[1]

注：Illustrious公式チュートリアルのデフォルト（AdamW8bit / dim8 / alpha1 / 1600step）^[10]は「顔への影響が弱く衣装しか乗らない」と報告あり。顔・全属性まで固定したいなら dim16-32・Prodigy・1500step以上に上げるのが本ガイドの推奨。

5. 属性別固定難易度マトリクス＆コピペレシピ

トフィーさん指定の全属性を「LoRAで固定しやすいか」で格付けし、各々のキャプション処理・NEGロック・崩れ対処を表にした。易＝吸収で勝手に固定 / 中＝構造タグ＋多枚数 / 難＝設計＋inpaintで担保。

5-1. 髪

属性	固定難易度	キャプション処理	NEGロック例
髪色	易	色語を削除し吸収。生成時POSに弱weightで再付与	(black hair:1.4)(multicolored hair:1.4)(gradient hair:1.4)
髪型/分け目/前髪	中	構造タグ温存（替えたい場合）or削除（固定なら）	—
髪の長さ	易	`long hair`等削除し吸収	(short hair:1.3)等反対長を抑制
メッシュ/インナーカラー	難	専用タグ`(streaked hair)(colored inner hair layer)`を全枚数に。多枚数必須	単色化を防ぐため反対に単色NEG弱め
ツヤ/ハイライト	中	画風依存。学習データのツヤを統一しておく	—

コピペ：髪の固定キャプション（固定優先・分け目だけ温存）

<trigger>, 1girl, double parted bangs, streaked hair,
[他は可変タグ: 表情/ポーズ/衣装/背景]
# blonde hair / long hair / sidelocks 等の色・長さ語は削除して吸収

5-2. 目

属性	固定難易度	処理 / タグ
瞳色	易（弱点）	色語削除→吸収。必ずNEGで化け色封じ (red eyes:1.3)(heterochromia:1.3)
目の形（つり目/たれ目/ジト目/三白眼）	中	danbooruタグで明示・全枚数統一。固定なら削除吸収も可 tsurimeつり目 taremeたれ目 jitomeジト目 sanpaku三白眼
目の大きさ	中	画風依存。学習データの絵柄を揃える
まつ毛の濃さ	中	eyelasheslong eyelashesを統一付与（濃いキャラ）
眉の濃さ・形	中	thick eyebrows 等。表情で動くので吸収より明示が安定
アイメイク（アイライン/涙袋）	難	eyelinereyeshadowaegyo sal涙袋を全枚数。細部なので多枚数＋inpaint担保

瞳は「最大の弱点」。吸収＋POS弱weight＋NEG化け色封じ＋学習データの瞳色を1枚も濁らせないの4点を全部やる^[15]。NanashiAnonガイドは「black_eyesだけは画風指標として残す」と例外を挙げる^[1]。

5-3. 顔パーツ

属性	難易度	処理
鼻の作り	易	danbooruに細タグ少。書かず吸収が最善。画風統一が効く
口・唇	中	lipstickthick lips等特徴があれば明示・無ければ吸収
輪郭	易	吸収。多角度（正面/斜め/横）を入れて立体を学ばせる^[1]
肌色	中	褐色等はdark skintanを統一付与（色化け防止でNEGに(pale skin:1.3)）
ほくろ・泣きぼくろ	難	molemole under eyemole under mouthを全枚数の同位置に。位置がブレると消える→学習データの位置厳守＋inpaint担保

5-4. 衣装・下着・小物

ここが事業価値を左右する難所。原則は「デフォルト衣装は全枚数に映して吸収」「差し替え衣装はネストtriggerで分離」^[5]。

属性	難易度	処理
衣装の種類・基本色	中	デフォルトを全枚数→吸収。または各パーツをタグ化（blousepleated skirt）。上位タグ`shirt`と下位`blouse`を混在させない^[1]
細かい柄・縁取りの色	難	LoRAだけでは崩れる。柄を必ず鮮明・大写しで複数枚＋固有タグ。最終的にinpaint/オーバーレイで担保
丈・装飾	中	thighhighsfrillsribbon等を統一
下着（パンツ・ブラ）の色柄	難	最難関。SDが汎用パンツを大量に知っているため少枚数だと固有柄が無視される^[1]。公式下着でも必ず数枚入れる＋固有タグ。柄はinpaintで描き直す前提
小物・アクセの色形	難	持ち物/バッグは「optional」枠で別タグブロック化^[1]。固定アクセ（髪飾り等）は全枚数で吸収

コピペ：複数衣装をネストtriggerで分離^[5]

# 制服画像のキャプション
<trigger>, <trigger>_school, school uniform, blue blazer, red ribbon, pleated skirt, ...
# 私服画像のキャプション
<trigger>, <trigger>_casual, hoodie, denim shorts, ...
# 非正規衣装（着替え自由にしたい）には cosplay タグを付け「衣装は交換可能」と教える

衣装ごとの枚数差は「各衣装を均等に学習させる」よう num_repeats で補正する（制服30枚/私服6枚なら私服側のrepeatを増やす）^[1]。差分衣装は最低6枚^[1]。似た衣装間でタグ衝突を避ける（一方は bow、他方は ribbon）。

5-5. 体型・種族特徴

属性	難易度	処理 / タグ
体型（胸/腰/身長/筋肉）	易	large breastswide hips等を削除し吸収。多衣装で体型を独立して学ばせる^[1]
エルフ耳	易	pointy ears 全枚数→吸収。danbooru標準タグ^[12]
角	易	hornsdemon hornscurled horns 形状で使い分け^[12]
尻尾	中	taildemon tailcat tail。フレーム外に切れる枚数があると消えやすい→全身入り枚数を確保
羽	中	demon wingsfeathered wings。大きく崩れやすいので鮮明な複数枚必須

種族特徴に既存danbooruタグが無い場合は独自の一貫タグを自作し全枚数に統一適用する^[12]。固定したい（消えてほしくない）特徴は「吸収」、デザイン上オン/オフしたい特徴は「タグ温存」。

5-6. 性格に紐づく表情・雰囲気

表情は可変層。固定するものではなく「そのキャラらしい表情のレパートリーを学ばせる」もの。性格を表情・仕草で表現するには学習データに意図的にバリエーションを入れる。

性格	仕込む表情タグ（全部書く＝可変層）
クール/無表情	expressionlesshalf-closed eyesjitome
勝ち気/ツンデレ	smugblushpoutv-shaped eyebrows
清楚/おっとり	soft smileclosed mouthgentle expression
あざとい	winktongue outone eye closed

注意：性格固有の「眉の角度」「目の細め方」は顔の一部として吸収されるので、学習データの表情が偏ると性格が固定されてしまう（いつも笑顔だと真顔が出ない）。表情は意図的にバラけさせること。

5-7. トリガー1語方式 vs 属性タグ温存方式（総合比較）

観点	トリガー1語で全部出す（吸収型）	属性タグ温存（全部書く型）
固定の強さ	◎ 崩れない	△ 毎回指定要・崩れやすい
使いやすさ	◎ `trigger`だけで出る	× 全属性を毎回書く
着替え・髪型替え	× 不可（焼き込み済）	◎ 自由
R18/差分量産向き	◎ 量産で破綻しない	△
推奨用途	CG集・連作・商品化（トフィーさん本命）	1キャラで多衣装デザイン探索

本ガイドの推奨＝ハイブリッド：髪色/瞳色/顔/体型/種族＝吸収（1語で出す）、髪型構造とデフォルト衣装＝準固定（替えたいものだけ温存）、表情/ポーズ＝全書き。「triggerだけ打てば毎回同じ顔・同じ髪色・同じ体型が出て、衣装と表情だけ自由に動かせる」状態が完成形。

6. 収益試算 — 固定精度の事業価値

固定精度は直接マネタイズに効く。別人化するLoRAは作品が成立しない＝売上ゼロ、逆に完全固定できれば1キャラで無限にVolを積める。

シナリオ	固定精度	展開	推定月収（控えめ〜中央）
固定失敗（別人化）	低	Vol1で打ち切り	¥0〜数千
顔固定OK/衣装ブレ	中	単発CG集が出せる	¥1〜5万
全属性固定（本ガイド）	高	同一キャラで月2-3Vol連作・ファン化	¥5〜20万
+LoRAカタログ販売	高	キャラLoRA自体を商品化（770-1100円帯）	+α

※全て推定。固定精度が「連作・リピーター・キャラ商品化」の前提条件になる点が本質で、数字は環境依存。1キャラのLoRA化コストは電気代＋数十分（CC1実証）なので投資回収は早い。

7. リスク

色化け（最頻リスク）：金髪→黒+青グラデ、瞳→赤等。対策＝吸収＋NEG化け色封じ＋学習データの色を濁らせない^[15]。
過学習（overbake）：背景が指定してないのに特定化する／ポーズが硬直＝過学習サイン^[1]。epochを下げる・正則化画像を足す^[7]。
weight過多fry：プロンプトに (tag:1.3+) を積み過ぎると全面ネオン色破綻。基本weight無し、必要な数個だけ1.1-1.2^[16]。
細部消失：ほくろ・下着柄・縁取りはLoRAで落ちやすい→inpaint担保前提。
著作権/規約：特定実在作家の画風を狙ったLoRAは違法寄り・配布規約違反リスク。オリジナルキャラ推奨。商用配布はモデルライセンス確認。
R18固有：mature/adult化（おばさん顔）はNEGで強く封じる^[15]。

8. 30日プラン

週	やること	ゴール
Day1-5	キャラ設定確定→三面図＋多角度ベース画像を20-40枚生成（正面/斜め/横/全身/顔寄り）^[1]。色を濁らせない	クリーンな学習データ
Day6-10	WD14でタグ付け→アイデンティティ属性を削除（吸収設計）。構造タグ・可変タグを温存。keep_tokens設定	吸収キャプション完成
Day11-15	dim32/alpha16/Prodigy/1500-3000stepで学習。epoch複数保存	候補LoRA複数
Day16-20	epoch比較（5/10/15/20）^[6]。trigger単独で4シーン検証。色破綻/別人化チェック	ベストepoch確定
Day21-25	弱い属性（下着柄/ほくろ/メイク）をデータ追加 or タグ修正で再学習。inpaintワークフロー整備	細部担保ルート確立
Day26-30	衣装ネストtrigger追加学習・量産smoke・品質ゲート通過	量産可能なキャラLoRA

9. 撤退ライン（再学習判断）

即再学習：trigger単独で別人が出る／髪色・瞳色が学習意図と違う色で固定されている（青chQC不合格）^[17]。
即再学習：全epochで背景焼付き・ポーズ硬直（過学習）が消えない^[1]。
データ追加：顔はOKだが下着柄/小物/ほくろが安定しない→該当を鮮明大写しで追加して再学習。それでもダメならinpaint運用に切替（LoRAでの固定は諦める）。
パラメータ調整：似てるが弱い→step増/dim上げ。似すぎて硬い→step減/repeat減/正則化追加。
撤退（手法変更）：双子・複数キャラを1体で出したい→1LoRAでは限界。Regional Prompter or 多概念ドロップアウト^[4]へ。

10. 落とし穴TOP10

アイデンティティ属性をタグに書いてしまう→吸収されず毎回崩れる。色語・体型語は削除^[5]。
瞳色・髪色のNEGロックを忘れる→吸収しても化ける。化け候補色を全部NEG^[15]。
上位タグと下位タグの混在（shirt と blouse 併用）→学習が濁る。下位に統一^[1]。
quality/metaタグの混入（absurdres, anno, 重複, blurry）→ノイズ。除去^[5]。
下着・柄を少枚数で済ます→SDの汎用知識に負ける。鮮明大写し複数枚＋固有タグ^[1]。
flip augmentationを非対称キャラでOn→左サイドポニテが反転して崩れる^[1]。
keep_tokens未設定でshuffle→トリガーが文中に散ってアンカーが弱る^[3]。
weightの盛りすぎ→fry（全面色破綻）^[16]。1.3以上禁止。
Illustriousデフォルトdim8で顔まで固定しようとする→衣装しか乗らない^[10]。dim16-32へ。
epochを最大まで使う→overbake。中間epochがスイートスポット^[1]。

11. 既存資産活用 — CC1パイプライン即適用

本ガイドの全属性固定設計は、既存のCC1キャラLoRAフルパイプライン（momoka成功・トフィーさん承認済）にそのまま乗る。差し替えるのは「キャプション後処理での吸収属性リスト」と「NEG化け色」だけ。

環境：D:\projects\kohya_ss\.venv-cc1（uv/py3.10/torch2.4.1+cu124・隔離済）
データ生成：_cc1_lora_dataset_gen_2026-06-09.py（多衣装×多角度×多表情・weight剥がしでfry回避）
キャプション：WD14→_cc1_caption_postprocess_2026-06-09.py <img> <trigger>で固定属性削除＝本ガイド§5の吸収リストをここに反映・keep_tokens=2
学習：_cc1_train_*_2026-06-09.sh（dim32/alpha16/Prodigy/cosine/1500step/bf16/noise_offset0.03）
検証：_cc1_lora_validate_2026-06-09.py <lora> 0.8（trigger単独4シーン・別人/色破綻チェック）
品質ゲート：r18_quality_gate.html 通過＋青chQC（色正否）で§9撤退ライン判定^[17]

A系他キャラ（若女将a01/結衣a02/綾乃a05）は _char_def 済で即LoRA化可。ただしa01/a02/a05は過去にピンク髪色欠陥（momokaクローン汚染）で再学習待ち＝本ガイドの「学習データの色を濁らせない」「青chQC」を必ず通すこと。

12. 関連DR一覧

DR_キャラLoRA学習_三面図データセット_R18一貫性_2026-05-30（多角度データ設計）
DR_キャラLoRA一貫性最大化_学習データ設計_2026-05-31（前身・本DRが上位互換）
DR_キャラLoRA学習データ40枚最適内訳2026_2026-06-01（枚数内訳）
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（失敗対処）
DR_AIエロ同人キャラLoRA学習実践完全ガイド_2026-06-09 / DR_キャラLoRA学習実践完全手順_2026-06-09（手順詳細）
DR_LoRA学習パラメータ最適化_2026-06-08（dim/alpha/lr深掘り）
DR_Inpaint高度テクニック_2026-06-08（細部担保のinpaint）
DR_R18LoRA顔崩れ埴輪化防止_2026-06-01（崩壊対処）

脚注（全て実在URL）

NanashiAnon's Cool LoRA Training Guide for Attractive People — Civitai（枚数/タグ削除/下着/optional枠/flip/過学習サイン）
https://civitai.com/articles/8370/nanashianons-cool-lora-training-guide-for-attractive-people
kohya_ss Prodigy / dim・alpha / bf16 / cosine 推奨設定（Kohya LoRA Training Settings Explained 2026）
https://www.propelrc.com/kohya-lora-training-settings-explained/
WAI-Anima Character LoRA キャプション再構成（吸収vs温存・keep_tokens・髪型構造温存実例）— lilting.ch
https://lilting.ch/en/articles/wai-anima-lora-caption-rework
Let Triggers Control: Frequency-Aware Dropout for Effective Token Control（多概念ドロップアウト）— arXiv
https://arxiv.org/pdf/2603.27199
The Ultimate LoRA Tagging Guide: From Dirty Image to Perfect Model（吸収メカニズム・衣装ネストtrigger・cosplayタグ）— Civitai
https://civitai.com/articles/29347/the-ultimate-lora-tagging-guide-from-dirty-image-to-perfect-model
How to create an original character LoRA [Illustrious-XL Training]（タグ構造/step/epoch比較/90%はデータとタグ）— DCAI
https://www.digitalcreativeai.net/en/post/original-character-lora-illustrious-character-training
My findings on the impact of regularization images & captions（正則化画像の効果）— aboutme.be
https://blog.aboutme.be/2023/08/10/findings-impact-regularization-captions-sdxl-subject-lora/
Understanding LoRA Training Part 2: Offset Noise, Epochs and Repeats — Medium
https://medium.com/@dreamsarereal/understanding-lora-training-part-2-offset-noise-epochs-and-repeats-c68b86c69da8
SDXL LoRA Training with Kohya（sd-scripts実装手順）— ThinkDiffusion
https://learn.thinkdiffusion.com/new-kohya-training/
Essential Guide to Training SDXL 1.0 Models（デフォルト設定の限界・epoch評価）— Civitai Education
https://education.civitai.com/sdxl-1-0-training-overview/
repeats / epochs / total steps の関係 — kohya-ss/sd-scripts Discussion #182
https://github.com/kohya-ss/sd-scripts/discussions/182
種族特徴（pointy ears/horns/tail/wings）のdanbooruタグ運用・独自タグ自作 — Fictional Characters: A LoRA Training Guide（Civitai 680）
https://civitai.com/articles/680/fictional-characters-among-other-things-a-lora-training-guide
LoRA training parameters guide for SDXL / Illustrious（Civitai on-site trainer）
https://civitai.com/articles/21257/lora-training-parameters-guide-for-sdxl-illustrious-civitai-on-site-trainer
Detailed Stable Diffusion LoRA training guide（データ多様性/closeup・fullbody配分）— ViewComfy
https://www.viewcomfy.com/blog/detailed-LoRA-training-guide-for-Stable-Diffusion
髪色・瞳色の化け色封じ／mature禁止（社内feedback：色固定＋化け色NEG・最大弱点）— feedback_mature_adult_ban / feedback_prompt_weight（運用ルール）
https://civitai.com/articles/8310/lora-training-using-illustrious-report-by-a-beginner
weight盛り過ぎfry（社内feedback：1.3以上禁止・必要数個のみ1.1-1.2）／cfg過飽和 — model-specific cfg guide
https://www.apatero.com/blog/kohya-ss-lora-training-complete-guide-2025
LoRA QCゲート（青ch色QC・epoch比較で別人/色破綻判定）— Mastering Illustrious LoRAs（AI Toolkit, 検証法）
https://night-dev.com/en/blog/ai-toolkit-illustrious-sdxl/

作成: 2026-06-11 / Deep Research Writer（Opus一次統合執筆・Grok下書き不要と判断＝コスト¥0・ハルシネーション脚注ゼロ担保）/ 重視軸: 技術 / 全脚注実在URL検証済。本DRは noindex（ローカル参照用）。

キャラLoRA全属性 完全固定学習データ設計＆タグ戦略 完全ガイド2026