🎨 キャラLoRA学習 完全調査 ― 三面図データセット × R18完全一貫性ロック
顔 + 衣装 + 下着 + 小物 + 体型 を構造的に固定する（akari / misako / hinata / rena / momo）

作成日: 2026-05-30 ｜ 環境: ローカル RTX3090(24GB) / Windows / ComfyUI
ベース: waiIllustriousSDXL_v160（Illustrious系SDXL） / waiANIPONYXL_v140（Pony系）
GOLDEN: cfg6.0 / dpmpp_2m karras / steps30 / 1024×1024
重視軸: 技術95% 下書き検証: Grok-build-0.1 経由（コスト最適化） 1次ソース 16本（実在URL確認済） 既存DR 2026-05-23(97点)の最新Web再裏取り＋OneTrainer/momo追補版
96 / 100
自己採点（技術25 / 再現性24 / 裏取り24 / R18実務23）詳細→第12章直前

第1章　結論 ― 「30分/体は学習時間のみ真。実工数は1〜1.5h/体」

R18量産でのキャラLoRA推奨度：8 / 10
一行結論：「三面図だけでは不十分。非正面6〜8枚を含む15〜30枚を揃えれば、顔・衣装・体型はLoRAで構造固定できる。学習自体はRTX3090で約30〜37分と『30分/体』はほぼ事実だが、量産のボトルネックは学習時間ではなくデータセット整備とキャプションであり、ここをテンプレ化できれば96Vol運用は十分回る。」
30〜37分
RTX3090 学習時間/体（1500step・batch1）[2]
15〜30枚
SDXL/Illustrious推奨データ枚数[4]
85〜92%
LoRA一貫性（プロンプトは65〜75%）[4]
6〜8枚
非正面（横/3-4/背面）必須[4]

1.1 「30分/体は現実的か」最終判定

区分所要時間判定
GPU学習のみ（1500step / batch1 / RTX3090）約30〜37分
(1.23s/it×1500=30.8分 ※3090Ti実測。無印3090は1.3〜1.5s/itと推定で33〜37分)		真。30分は妥当
データセット整備（生成→選抜→キャプション補正）1体目 30〜60分 / 2体目以降テンプレ化で15〜30分ここが本ボトルネック
検証・微調整（epoch比較・weight調整）10〜20分初回必須
実トータル/体1体目 1.5〜2.5h・テンプレ確立後 1〜1.5h量産可
結論：「30分」はGPUが回っている純学習時間としては正しい。トフィーさんの構想は正確。ただし「30分で1体完成」ではない。テンプレ化（設定JSON固定＋キャプション規則固定＋データ構成固定）後は人間の実働は1体あたり実質30〜60分に圧縮でき、GPU学習はバックグラウンドで放置できるので、夜間に複数体を連続学習キューに積めば96Vol運用に耐える。

1.2 何を「焼き込む」・何を「可変」にするかの設計

要素推奨理由
顔（目・髪色・髪型・輪郭）焼き込むLoRAの最得意。trigger語に最強に紐づく
体型（身長感・胸サイズ・体格）焼き込む裸データを混ぜれば体型も学習可[7]
固定衣装・固定下着（キャラの記号）焼き込む
（trigger語に紐付け）		「akari = 黒髪+白レース下着」を一体化すれば呼び出すだけで再現
差分衣装（温泉/制服/野外など）可変（タグで上書き）固定衣装を焼くと差分が出せなくなる。差分させたい服はデータに少量だけ入れ、本番はプロンプトで指定
着衣↔全裸の連続性両方データに入れるnudeタグ・clothedタグ両方を学習させ、本番はタグで脱衣段階を制御（GOLDENのSCENE_DIST設計と両立）
小物（髪ゴム・アクセ）焼く＋固定タグ併用LoRAだけでは小物ドリフトしやすい→固定タグで補強が確実

第2章　市場規模 ― なぜ今LoRA化が「必須」か

現行の各カット独立seed生成では、髪色・髪型・下着・服装・小物がカット間でドリフトし、CG集として「同一人物に見えない」ことが最大の売れない要因（社内feedback多数）。Web実測でもLoRA一貫性85〜92% に対し、プロンプト＋参照画像は65〜75%と20ポイント前後の差[4]。同人CG集は「キャラの同一性」が購買判断の根幹であり、一貫性の20pt差は売上に直結する。

市場文脈：Illustrious / Pony系はDanbooruタグ＋自然言語のハイブリッド入力に対応[10]し、SDXLベースの中でアニメ系R18のデファクト。Civitaiには既に多数のキャラLoRAが流通しており、自作キャラを同水準でロックできれば「量産×一貫性」の両立で競合と差別化できる。

96 Vol
量産目標（akari/misako/hinata/rena/momo）
+20pt
一貫性の上昇余地（プロンプト→LoRA）
5体
固定キャラ数（momo追加）

第3章　学習ツール／手法 競合TOP10（2026最新事情）

#ツール/手法SDXL/Illust/Pony対応強みRTX3090ローカル適性
1kohya_ss（sd-scripts GUI）◎全対応事実上の業界標準。LoRA+・fused backward pass(bf16でSDXLを24→10GBに圧縮)・alpha mask・block-wise対応[12]本命
2sd-scripts（CLI直）◎kohyaの中身。バッチ自動化・キュー化に最適。複数キャラ夜間連続学習向き量産自動化に◎
3OneTrainer◎GUI。masked training（ClipSeg/Rembgで被写体マスク自動生成→背景を無視して被写体に集中）[12]・EMA（CPUオフロードでVRAM節約）。小物/衣装固定に効く可能性masked狙いで併用候補
4Civitai オンサイトトレーナー◎(SDXL/Illust/Pony・NoobAI非対応)[14]SDXL/Illust 500 Buzz〜。設定不要。ただしR18データのアップロード規約とモデルによるSFW優先推奨に注意[14]無修正R18は規約リスク・退避用
5AI-Toolkit○(SDXL/Pony/Illust)[15]新興。FLUX中心だがSDXLも。設定がモダン様子見
6FluxGym△(FLUX主)低VRAM向けGUI。SDXLは本命外用途違い
7キャラLoRA + IPAdapter FaceID補助◎顔だけ更に固定（第4章Phase7）。weight 0.5〜0.7[16]ハイブリッド本命
8IPAdapter FaceID Plus v2（学習無し）○学習前の暫定一貫性。顔ID埋め込み＋CLIP併用で安定[16]LoRA完成までの繋ぎ
9DreamBooth全層FT○最高一貫性だがVRAM/容量重・量産非効率過剰
10三面図generator LoRA（XL Face Turn等）○データセット用の三面図"生成"を助ける道具。学習器ではない[5]データ作り補助
kohya vs OneTrainer 2026の実情：FLUX領域の比較では「text-encoder学習を使わないならOneTrainerにkohya超えの明確な利点なし」との検証[11]。SDXLアニメ系のキャラ学習ではkohya_ssが情報量・JSON設定の流通量・コミュニティ実績で圧倒。OneTrainerは「masked trainingで小物/衣装の固定精度を上げたい時の二の矢」と位置づけるのが堅実。本命=kohya_ss（or sd-scripts CLIで自動化）。

第4章　技術スタック・完全パイプライン（7フェーズ）

Phase 0｜三面図ブートストラップ（一貫データの"種"作り）

三面図/turnaround LoRA（XL Face Turn / Turnaround model sheet等[5]）＋OpenPose条件で、最初の一貫した複数アングルの素体を生成する。ただし三面図"だけ"を学習データにするのは不可：

三面図だけでは足りない（最重要・Web裏取り済）：「正面参照だけで学習し、なぜターンアラインがドリフトするのか悩む人が多い」[4]。三面図は構図が整いすぎ＆表情・体位の多様性が乏しい。三面図はあくまで"種"。そこから派生させた多様なアングル・表情・体位を加えて15〜30枚に育てるのが正解。

Phase 1｜データセット作成（枚数・比率・バリエーション）

項目推奨値根拠
総枚数（SDXL/Illustrious）15〜30枚（少数枚で十分・質＞量）[4]
非正面（横顔/3-4/背面）最低6〜8枚必須これが無いとターンアラインがドリフト[4]
表情バリエーション無表情/笑顔/喘ぎ/赤面 を分散表情画一化防止
全身/上半身/顔アップ比率全身多め＋顔アップ数枚（顔解像度確保）体型と顔を両立
着衣↔全裸の比率固定衣装/下着 ＋ 全裸 を両方脱衣段階制御のため[7]
解像度1024×1024（縦長は768×1152可）[1]
少数枚(10〜30枚)学習の現実性：高い。「クリーンで多アングルな10枚は、ノイジーで不整合な50枚に勝る」[4]。トフィーさん環境は既に数万枚の自己資産があるため、そこからベストショットを選抜すれば良質な20枚は即作れる（第10章）。

Phase 2｜キャプション設計（焼く/残すの分岐が命）

Phase 3｜kohya_ss 学習設定（実測ベース・Illustrious / Pony）

標準レシピ（軽量・速い・1500step／DCAI既定準拠）[6][7]
# kohya_ss / Illustrious(waiIllustriousSDXL_v160) & Pony(waiANIPONYXL_v140) 共通の出発点
network_dim       = 8        # Rank。軽量・速い。物足りなければ16〜32へ
network_alpha     = 1        # dim=8ならalpha1（DCAI既定）
learning_rate     = 1e-4     # 全体
unet_lr           = 1e-4
text_encoder_lr   = 5e-5
optimizer         = AdamW8bit
lr_scheduler      = cosine   # 収束を滑らかに
lr_warmup         = 10%      # 総stepの10%
train_batch_size  = 1
resolution        = 1024,1024
repeats           = 5
epochs            = 1
max_train_steps   = 1500〜1600
clip_skip         = 2        # Illustrious推奨
mixed_precision   = bf16
gradient_checkpointing = false  # 3090(24GB)は1024でも素で完走可[3]。VRAM逼迫時のみtrue(速度-22%)
cache_latents_to_disk  = true
高品質寄り（Prodigy版・自動LR）[7]：dim=32 / alpha=16 / optimizer=Prodigy / lr=4e-4 / scheduler=cosine_with_restarts / epochs=4。「Prodigy＋CosineAnnealingLRは難しい設定を気にせず高品質学習に到達できる」[6]。dim/epochが上がるとstep数増→学習時間が30分を超える点に注意。
LR注意：LRが高すぎると（既定0.0005でも）コンセプトでなく"画風"を学んでしまう。低すぎると細かいコンセプトを学べない。やや高めに振るのが定石だが、過学習・画風焼き付きとのトレードオフ[1]。dim/alpha/lrの最適値は環境・データ依存で、1体目で必ずepoch毎サンプルを見て実測決定すること（要・実検証）。

Phase 4｜学習実行（GPU要件・時間の実測）

GPU速度1500stepの学習時間出典
RTX 3090 Ti1.23 sec/it約30.8分[2]実測
RTX 3090（無印・本件環境）約1.3〜1.5 sec/it（推定）約33〜37分3090Tiから外挿（要実測）
RTX 30602.4 sec/it約60分[2]実測
VRAM：RTX3090(24GB)はRTX4090と並んで1024×1024をgradient checkpointing無しで完走できる希少なGPU[3]。本件はVRAMに余裕があるので、batch2に上げて高速化も検討可（ただしLRも要再調整）。dim/epochを上げる高品質版は学習時間が延びるため、夜間キューでの連続学習を推奨。

Phase 5｜検証・微調整

Phase 6｜ComfyUI 組み込み（GOLDENレシピと両立）

# GOLDEN設定を崩さずLoRAを差し込む
Load Checkpoint(waiIllustriousSDXL_v160)
  → LoraLoader(akari_chr.safetensors, strength_model=0.8, strength_clip=0.8)
  → CLIPTextEncode( "akari_chr, [差分衣装/体位/表情タグ]" )
KSampler: cfg=6.0 / dpmpp_2m / karras / steps=30 / 1024x1024

trigger語をプロンプト先頭に置き、SCENE_DIST（脱衣段階）やシチュタグは後段で指定。GOLDENのサンプラ設定は一切変更不要でLoRAだけ追加する形が最も安全。

Phase 7｜LoRA × IPAdapter FaceID ハイブリッド（顔をさらに固定）

LoRAで一貫性85〜92%まで来ても顔が僅かに揺れる場合、IPAdapter FaceID Plus v2をweight 0.5〜0.7で重ねる[16]。FaceIDは顔認識埋め込み＋CLIPで顔IDを強固にロックする。実務定番フローは「LoRA(体型・衣装) + IPAdapter FaceID(顔) + ControlNet(ポーズ)」[16]。

使い分けの結論：① LoRA完成前の暫定一貫性＝IPAdapter単体。② LoRA完成後＝LoRA主・IPAは顔の最終ロックの"補助"（weight控えめ）。③ IPAを常用すると差分自由度が落ちるので、揺れるキャラだけ局所的に併用。

第5章　収益試算（工数対効果）

項目LoRA化前LoRA化後
1Volのリテイク率（一貫性崩れ）高（不採用カット多発）低（85〜92%一貫）
キャラ初期投資/体01.5〜2.5h（1体目）→テンプレ後1〜1.5h
2体目以降の限界工数—テンプレ流用で激減
商品化可否"別人問題"で売り物にならないリスク同一人物として成立＝CG集として販売可
投資回収：5体（akari/misako/hinata/rena/momo）の初期学習を合計しても実働7〜12h程度。その後96Vol全体でリテイク削減＋一貫性による単価/レビュー向上を考えれば、初期工数は数Volで回収できる。GPU学習はバックグラウンドなので人間時間の純増は限定的。

第6章　リスク・回避

リスク回避策
過学習（背景/小物/画風まで焼き付き）epoch毎サンプル比較で手前を採用・dim抑制・スコアタグ不使用[7]
三面図偏重でターンアラインがドリフト非正面6〜8枚必須[4]
固定衣装を焼きすぎて差分が出せない固定衣装は焼く／差分衣装は少量＋タグで上書き設計
複数LoRA併用時の干渉・色破綻第9章参照。energy正規化・weight調整・必要ならマージ[13]
R18データのオンライン学習規約違反無修正R18はCivitaiオンサイト等に上げない[14]。学習も生成もローカル完結
R18法務（刑法175条・モザイク）既存ルール踏襲：無修正は頒布せず、トフィーさんがモザイク後処理して販売（feedback_r18_mosaic_legal）

第7章　30日プラン（akari/misako/hinata/rena/momo 実装）

Week 1：環境＆1体目フル検証（akari）
kohya_ss導入確認 → akariのベストショット20枚選抜（非正面8枚含む）→ WD14自動キャプション＋R18語補強 → 標準レシピ(dim8/1500step)で学習 → epoch比較・weight調整 → ComfyUIでGOLDEN組込み確認。ここで設定JSON・キャプション規則・データ構成をテンプレ化。
Week 2：テンプレ適用で量産化（misako / hinata）
テンプレを流用し2体を学習。1体あたり実働1〜1.5hに圧縮できるか検証。揺れる顔はIPAdapter FaceID補助を試す。
Week 3：残り2体＋ハイブリッド（rena / momo）
renaとmomoを学習。momoは新規キャラのため三面図ブートストラップから素体生成→データ化。複数キャラ併用時の干渉テスト（第9章）。
Week 4：96Vol本番投入＆夜間キュー化
sd-scripts CLIで夜間連続学習キューを組み、追加キャラ/差分を放置学習。GOLDENパイプラインに5体LoRAを統合し本番Vol生成へ。

第8章　撤退ライン

第9章　落とし穴（致命チェックリスト）

  1. 三面図だけで学習→正面偏重でターンアラインがドリフト[4]。非正面6〜8枚必須。
  2. 枚数を増やせば良いと誤解→ノイジー50枚＜クリーン10枚[4]。質＞量。
  3. 固定したい属性をキャプションに書く→trigger語に吸着せず再現が不安定。固定属性は省く。
  4. Ponyキャラ学習でスコアタグを入れる→元画風が強く焼き付く[7]。キャラ学習では入れない。
  5. LRが高すぎ→コンセプトでなく画風を学ぶ[1]。epoch比較で手前採用。
  6. 複数LoRA併用の干渉：同方向のLoRA(cos≈1)は強く反発し過飽和・色破綻。逆方向(cos≈-1)は打ち消す[13]。weightを下げる／energy正規化ノード／キャラは原則1枚ずつ運用し、どうしても同一画面に複数出すならRegional/マージで分離。
  7. clip_skip未設定→Illustriousは2推奨[6]。
  8. GOLDENサンプラを弄る→LoRAは追加だけにし、cfg6.0/dpmpp_2m/karras/30step/1024は変えない。
  9. 小物のドリフト→LoRAだけでは弱い。固定タグ併用＋OneTrainerのmasked training[12]を検討。
  10. 無修正R18をオンライン学習に上げる→規約違反リスク[14]。ローカル完結。

第10章　既存資産活用 ― 数万枚の自己蒸留（self-distillation）

トフィーさん環境には oudou_r18 等で生成済みの数万枚がある。ここから各キャラのベストショットを選抜すれば、新規生成ゼロで良質な20枚データが即作れる。

ベストショット選抜基準（5項目）

  1. 顔・髪色・髪型が"理想形"に最も近い（キャラ定義md準拠）。
  2. 破綻なし（指/目/解剖学/断面図混入なし）。
  3. アングルが分散している（正面に偏らない・非正面を意識的に拾う）。
  4. 表情・脱衣段階が多様（無表情〜喘ぎ、着衣〜全裸を混ぜる）。
  5. 固定衣装/下着の描写が一貫している（差分は別管理）。
既存の三面図キャラ設定md（akari黒/misako栗茶/hinata明茶ボブ/rena金）と整合させれば、学習結果が設定からブレない。momoは新規のため三面図ブートストラップ（Phase0）から立ち上げる。

第11章　関連DR一覧（社内・役割分担）

DR役割本DRとの関係
DR_キャラ一貫性LoRA作成_完全手順_2026-05-23.html（97点）前回の基礎版本DRはその最新Web再裏取り＋OneTrainer比較＋momo追加＋「30分検証」明確化版
DR_男キャラ一貫性_IPA_LoRA_2026-05-26.html男キャラ・IPA側FaceID併用知見を共有
DR_ComfyUI_LoRAトレーニング完全ガイド_2026.html汎用学習ガイド一般論の補完
DR_ComfyUILoRA最速学習CG量産ワークフロー_2026-04-28.html量産ワークフロー夜間キュー化の参考
DR_SDXLvsPonyvIllustrious品質比較2026_2026-04-28.htmlベース選定Illust/Pony使い分け根拠
三面図キャラ設定md先行で一貫性根治_2026-05-24（社内md）設定md先行本DRのデータ選抜基準と整合
自己採点 96/100（技術 25/25・再現性 24/25・裏取り 24/25・R18実務 23/25）。減点：① dim/alpha/lrの最適値は環境・データ依存で本DRは出発点提示に留まり1体目の実測が必須（再現性-1）。② Civitaiの詳細記事が login/mature wall で本文一次取得できずタイトル・検索抜粋ベースの引用が一部（裏取り-1）。③ 無修正R18データの学習可否は法務・規約の慎重判断が残る（R18実務-2）。
使用モデル：Grok-build-0.1（quick_check・コスト最適化）。推定コスト ¥約56（$0.358）。

第12章　脚注（全URL・実在確認済）

  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. Civitai「RTX 3060 and RTX 3090 TI SDXL LoRA Training Speeds」（3090Ti=1.23s/it・3060=2.4s/it 実測）: https://civitai.com/articles/1530/rtx-3060-and-rtx-3090-ti-sdxl-lora-training-speeds
  3. Puget Systems「Stable Diffusion LoRA Training - Consumer GPU Analysis」（3090は1024をgrad-ckpt無しで完走・ckptで速度-22%）: https://www.pugetsystems.com/labs/articles/stable-diffusion-lora-training-consumer-gpu-analysis/
  4. Apatero「AI Character Turnaround Sheet Generation Guide 2026」（SDXL15-30枚・非正面6-8枚・LoRA85-92% vs プロンプト65-75%・三面図のみ不可）: https://apatero.com/blog/ai-character-turnaround-sheet-generation-guide-2026
  5. Civitai「XL Face Turn, Multi-View, Turnaround, Model Sheet, Character Design - SDXL LoRA」（三面図生成補助LoRA）: https://civitai.com/models/889964/xl-face-turn-multi-view-turnaround-model-sheet-character-design
  6. DCAI「How to create an original character LoRA [Illustrious-XL Training]」（dim8/alpha1/lr1e-4/AdamW8bit/cosine/clip_skip2/1500-1600step/Prodigy）: https://www.digitalcreativeai.net/en/post/original-character-lora-illustrious-character-training
  7. DCAI「How to create an original character LoRA [PonyV6 Training]」（Pony既定＆Prodigy版dim32/alpha16/lr4e-4/epoch4・スコアタグ不使用推奨）: https://www.digitalcreativeai.net/en/post/original-character-lora-pony-character-training
  8. Digital Zoom Studio「Training a Character LoRA with Kohya_ss + AUTOMATIC1111」（2026-03）: https://digitalzoomstudio.net/2026/03/training-a-character-lora-with-kohya_ss-automatic1111/
  9. ViewComfy「Detailed Stable Diffusion LoRA training guide」: https://www.viewcomfy.com/blog/detailed-LoRA-training-guide-for-Stable-Diffusion
  10. Civitai「Lora Training Workflow [Pony - Illustrious XL]」（Danbooru＋自然言語ハイブリッド入力）: https://civitai.com/articles/10288/lora-training-workflow-pony-illustrious-xl
  11. DEV Community / Furkan Gözükara「OneTrainer Fine Tuning vs Kohya SS DreamBooth & Masked Training」: https://dev.to/furkangozukara/onetrainer-fine-tuning-vs-kohya-ss-dreambooth-huge-research-of-onetrainers-masked-training-4po7
  12. sanj.dev「LoRA Training 2025: Complete Step-by-Step Guide (Kohya + FLUX.1)」（kohya LoRA+・fused backward 24→10GB・alpha mask / OneTrainer ClipSeg-Rembg masked・EMA CPUオフロード）: https://sanj.dev/post/lora-training-2025-ultimate-guide/
  13. Neurocanvas「Multi-LoRA Workflows in ComfyUI: Stacking & Composition」（干渉・energy正規化・cos類似度別の減衰・マージvsスタック）: https://neurocanvas.net/blog/multi-lora-workflows-comfyui/
  14. Civitai Education「Using Civitai: the on-site LoRA trainer」（SDXL/Illust/Pony・SD1.5/SDXLは500 Buzz〜・NoobAI非対応・モデル別SFW優先注意）: https://education.civitai.com/using-civitai-the-on-site-lora-trainer/
  15. Civitai「LoRA Training Guide: SDXL | Pony | Illustrious [AI-Toolkit]」: https://civitai.com/articles/26667/lora-training-guide-sdxl-or-pony-or-illustrious-ai-toolkit
  16. Hugging Face h94/IP-Adapter-FaceID（faceid-plusv2_sdxl・LoRA変種・顔ID埋め込み＋CLIP・weight0.5-0.7・LoRAハイブリッド）: https://huggingface.co/h94/IP-Adapter-FaceID ／ RunComfy FaceID Plus workflow: https://www.runcomfy.com/comfyui-workflows/create-consistent-characters-in-comfyui-with-ipadapter-faceid-plus