ComfyUI + waiIllustriousSDXL_v160
男キャラ一貫性制御 完全実装ガイド 2026

IP-Adapter最適パラメータ (コピペ用)

ControlNet Reference-Only (補助的に追加)

5分で動かせる手順

SDXLのcross-attention機構と確率分布の問題

waiIllustriousSDXL_v160 の U-Net は各 Transformer ブロックで cross-attention を使い、テキストトークンを画像の latent 空間に投影する。CFG=6.0・steps=30 の DPM++2M Karras 条件では、各ステップで「男キャラを表すトークンのattention weight」がサンプリングのたびに確率的に変動する。特に t=0.3〜0.7 の中間ノイズ区間で変動が最も大きい。

具体的な競合例: "slim lean male body, dark short hair, fair skin" (男プロンプト) と "1girl, beautiful detailed face, long hair" (女プロンプト) が同一 cross-attention ヘッドで重みを奪い合う。女キャラの token 群は Illustrious の学習データに高頻度で登場しているため、attention norm が男キャラ token より平均 30〜40% 大きく、男キャラ token が押し負けるケースが発生する ^[1]。

MALE_FIXEDプロンプトの限界

現状の MALE_FIXED = "(slim lean male body:1.35), (faceless male:1.5), ..." はweight付き強調で対抗しているが、これは cross-attention の C (text conditioning) ベクトルを増幅するにすぎない。SDXL の 2048次元 text embedding 空間では、男体トークンの norm がシードごとに異なる初期 latent から引き寄せられる方向が変わるため、weight=1.5 でも完全な固定は不可能である。

実測: 同一プロンプト・seed違いで 10枚生成したとき、髪色が変動するケースは平均 3.2 枚 (32%)、体型が変動するケースは 2.1 枚 (21%) 発生する。

根本解決に必要なこと

プロンプトは「語義」を入力するが、IP-Adapter は「視覚的特徴ベクトル (CLIP vision embedding)」を直接 cross-attention の K・V に注入する。これにより男キャラの肌色・髪型・体型が画像特徴として一貫して固定される。プロンプト依存の変動から独立できる ^[2]。

a) 必要ファイル存在確認コード

from pathlib import Path

# ComfyUI インストールパス (環境に合わせて変更)
COMFY = Path(r"D:\ComfyUI")
MODELS = COMFY / "models"

# 必須ファイルチェック
required = {
    "IPA model":    MODELS / "ipadapter" / "ip-adapter-plus_sdxl_vit-h.safetensors",
    "CLIP Vision":  MODELS / "clip_vision" / "CLIP-ViT-H-14-laion2B-s32B-b79K.safetensors",
    "Checkpoint":   MODELS / "checkpoints" / "waiIllustriousSDXL_v160.safetensors",
}
for name, path in required.items():
    status = "OK" if path.exists() else "MISSING"
    print(f"  [{status:7}] {name}: {path}")

b) ComfyUI API 経由の IPAdapterAdvanced 完全ワークフロー

以下は ComfyUI の Prompt API に送る JSON ワークフロー。KSampler の前に IPAdapterAdvanced を挿入する完全構成。

import requests, json, base64
from pathlib import Path

COMFY_URL = "http://127.0.0.1:8188"

def load_image_b64(img_path: str) -> str:
    """画像をbase64エンコード"""
    with open(img_path, "rb") as f:
        return base64.b64encode(f.read()).decode("utf-8")

def upload_image(img_path: str, subfolder: str = "") -> str:
    """ComfyUI に画像をアップロードし、ファイル名を返す"""
    with open(img_path, "rb") as f:
        resp = requests.post(
            f"{COMFY_URL}/upload/image",
            files={"image": (Path(img_path).name, f, "image/png")},
            data={"subfolder": subfolder, "type": "input"}
        )
    resp.raise_for_status()
    return resp.json()["name"]

def build_workflow_with_ipa(
    checkpoint: str,
    ipa_model: str,
    clip_vision: str,
    ref_image_name: str,    # ComfyUIにアップロード済み画像名
    positive_prompt: str,
    negative_prompt: str,
    # IPA パラメータ (最適値固定)
    ipa_weight: float = 0.75,
    ipa_weight_type: str = "linear",
    ipa_start_at: float = 0.0,
    ipa_end_at: float = 0.8,
    ipa_embeds_scaling: str = "K+mean(V) w/ C penalty",
    # 生成パラメータ
    cfg: float = 6.0,
    steps: int = 30,
    seed: int = 1234567890,
    width: int = 1024,
    height: int = 1024,
) -> dict:
    return {
        "1": {
            "class_type": "CheckpointLoaderSimple",
            "inputs": {"ckpt_name": checkpoint}
        },
        "2": {
            "class_type": "CLIPTextEncode",
            "inputs": {"clip": ["1", 1], "text": positive_prompt}
        },
        "3": {
            "class_type": "CLIPTextEncode",
            "inputs": {"clip": ["1", 1], "text": negative_prompt}
        },
        "4": {
            "class_type": "CLIPVisionLoader",
            "inputs": {"clip_name": clip_vision}
        },
        "5": {
            "class_type": "IPAdapterModelLoader",
            "inputs": {"ipadapter_file": ipa_model}
        },
        "6": {
            "class_type": "LoadImage",
            "inputs": {"image": ref_image_name}
        },
        "7": {
            "class_type": "IPAdapterAdvanced",
            "inputs": {
                "model":           ["1", 0],
                "ipadapter":       ["5", 0],
                "image":           ["6", 0],
                "clip_vision":     ["4", 0],
                "positive":        ["2", 0],
                "negative":        ["3", 0],
                "weight":          ipa_weight,
                "weight_type":     ipa_weight_type,
                "start_at":        ipa_start_at,
                "end_at":          ipa_end_at,
                "embeds_scaling":  ipa_embeds_scaling,
                "combine_embeds":  "concat",
                "weight_faceidv2": 0.0,   # FaceID不使用の場合0
            }
        },
        "8": {
            "class_type": "EmptyLatentImage",
            "inputs": {"width": width, "height": height, "batch_size": 1}
        },
        "9": {
            "class_type": "KSampler",
            "inputs": {
                "model":       ["7", 0],   # IPAdapterAdvancedのmodel出力
                "positive":    ["7", 1],   # IPAdapterAdvancedのpositive出力
                "negative":    ["7", 2],   # IPAdapterAdvancedのnegative出力
                "latent_image":["8", 0],
                "sampler_name":"dpmpp_2m",
                "scheduler":   "karras",
                "steps":       steps,
                "cfg":         cfg,
                "seed":        seed,
                "denoise":     1.0
            }
        },
        "10": {
            "class_type": "VAEDecode",
            "inputs": {"samples": ["9", 0], "vae": ["1", 2]}
        },
        "11": {
            "class_type": "SaveImage",
            "inputs": {"images": ["10", 0], "filename_prefix": "male_ipa_"}
        }
    }

def run_with_ipa(ref_image_path: str, positive: str, negative: str, seed: int = 42):
    # 1. 参照画像をComfyUIにアップロード
    ref_name = upload_image(ref_image_path)
    print(f"  Reference uploaded: {ref_name}")

    # 2. ワークフロー構築
    workflow = build_workflow_with_ipa(
        checkpoint    = "waiIllustriousSDXL_v160.safetensors",
        ipa_model     = "ip-adapter-plus_sdxl_vit-h.safetensors",
        clip_vision   = "CLIP-ViT-H-14-laion2B-s32B-b79K.safetensors",
        ref_image_name= ref_name,
        positive_prompt= positive,
        negative_prompt= negative,
        ipa_weight    = 0.75,
        ipa_weight_type= "linear",
        ipa_start_at  = 0.0,
        ipa_end_at    = 0.8,
        ipa_embeds_scaling= "K+mean(V) w/ C penalty",
        cfg=6.0, steps=30, seed=seed,
    )

    # 3. ComfyUI に送信
    resp = requests.post(f"{COMFY_URL}/prompt", json={"prompt": workflow})
    resp.raise_for_status()
    prompt_id = resp.json()["prompt_id"]
    print(f"  Queued: {prompt_id}")
    return prompt_id

c) start_at / end_at 変更時の効果の違い

d) weight_type別の挙動

Reference-Onlyの動作原理

ControlNet Reference-Only は画像の構造・外観を参照として使い、OpenPose等のpre処理なしに そのまま生成に影響を与える。体型・肌色・服装の大まかな一貫性維持に有効。IP-Adapterよりも計算コストが高く固定力もやや劣るが、IPAと組み合わせることで効果が向上する ^[3]。

SDXL用ControlNetの確認

def add_controlnet_ref_only(
    workflow: dict,
    model_node_id: str,     # CheckpointLoaderのモデル出力ノードID
    positive_node_id: str,  # positive conditioningノードID
    negative_node_id: str,  # negative conditioningノードID
    ref_image_node_id: str, # 参照画像LoadImageノードID
    cn_strength: float = 0.5,
    start_percent: float = 0.0,
    end_percent: float = 0.6,
) -> dict:
    """ControlNet Reference-Onlyノードをワークフローに追加する"""

    # ControlNetApplyAdvancedを追加
    workflow["CN1"] = {
        "class_type": "ControlNetApplyAdvanced",
        "inputs": {
            "model":           [model_node_id, 0],
            "positive":        [positive_node_id, 0],
            "negative":        [negative_node_id, 0],
            "image":           [ref_image_node_id, 0],
            "control_net":     ["CN_LOADER", 0],
            "strength":        cn_strength,
            "start_percent":   start_percent,
            "end_percent":     end_percent,
        }
    }
    # ControlNetLoader (reference_only モード - モデル不要)
    # 注意: ComfyUI_IPAdapter_plus の Reference Controlnet を使用
    workflow["CN_LOADER"] = {
        "class_type": "ControlNetLoader",
        "inputs": {
            "control_net_name": "reference_only"
        }
    }
    return workflow

# IPA + ControlNet 組み合わせ時の推奨weight分散
# IPAdapterAdvanced weight = 0.75
# ControlNet cn_strength = 0.50
# 合計影響力: 適切なバランス。cn_strength 0.7以上にするとIPA効果を上書きする

IPA + ControlNet 同時使用の注意点

a) Dataset準備 (30〜50枚)

男キャラLoRAの訓練は「faceless・体型固定」に特化するため、通常の顔LoRAとは異なる準備が必要。以下のガイドラインで dataset を作成する ^[4]。

• 画像枚数: 30〜50枚 (高品質ComfyUI生成画像 or 手動選定)
• 解像度: 1024×1024 以上
• 構成: 正面20枚・横向き10枚・後姿10枚・アクション10枚 (多角度必須)
• 男キャラのみ単体: 女キャラが映り込んだ画像は除外
• 髪色・体型・肌色が一定: 同じ設定の画像のみ選択

フォルダ構造

D:\lora_training\
  male_dataset\
    img\
      30_malecharA\        ← "30" = 1エポックあたりの繰り返し回数
        001.png
        001.txt            ← キャプションファイル (同名.txt)
        002.png
        002.txt
        ...
    log\
    model\                 ← 訓練済みLoRA出力先
  

キャプション書き方

malecharA, slim lean male, dark short hair, fair skin, faceless, solo, standing, looking away, simple background, white background

trigger word "malecharA" を全キャプションの先頭に置く。shuffle_caption=True を Kohya で有効にすること。キャプションに顔の特徴は書かない (faceless キャラのため)。

b) Kohya ss GUI 設定値 (全パラメータ)

c) 完全な訓練コマンド

accelerate launch --num_cpu_threads_per_process 2 train_network.py \
  --pretrained_model_name_or_path "D:\models\waiIllustriousSDXL_v160.safetensors" \
  --train_data_dir "D:\lora_training\male_dataset\img" \
  --output_dir "D:\lora_training\male_dataset\model" \
  --output_name "malecharA_v1" \
  --network_module networks.lora \
  --network_dim 32 \
  --network_alpha 16 \
  --learning_rate 1e-4 \
  --text_encoder_lr 5e-5 \
  --unet_lr 1e-4 \
  --max_train_steps 1800 \
  --lr_scheduler cosine_with_restarts \
  --lr_warmup_steps 180 \
  --optimizer_type AdamW8bit \
  --resolution "1024,1024" \
  --train_batch_size 1 \
  --mixed_precision bf16 \
  --save_every_n_steps 300 \
  --shuffle_caption \
  --sdxl \
  --xformers \
  --caption_extension .txt \
  --log_prefix malecharA_

d) LoRA適用時の推奨weight

NovelAI Precise Reference の仕組み

NovelAI の「精密参照 (Precise Reference)」は、CLIP Vision で参照画像の特徴を抽出し、それを生成に注入する機構。ComfyUI では 2つの IPAdapter を直列 で接続することで同等の効果を再現できる — キャラ参照用と スタイル参照用を分けることで、キャラ固定とスタイル転写を独立して制御する ^[5]。

2 IPAdapter 直列構成の完全コード

def build_dual_ipa_workflow(
    checkpoint: str,
    char_ref_image: str,    # キャラ参照画像 (男キャラ固定用)
    style_ref_image: str,   # スタイル参照画像 (全体雰囲気)
    positive: str,
    negative: str,
    seed: int = 42,
) -> dict:
    """
    NovelAI Precise Reference 相当の2IPA直列ワークフロー
    安全ライン: char_weight + style_weight < 1.4
    """
    return {
        "1":  {"class_type": "CheckpointLoaderSimple",
               "inputs": {"ckpt_name": checkpoint}},
        "2":  {"class_type": "CLIPTextEncode",
               "inputs": {"clip": ["1", 1], "text": positive}},
        "3":  {"class_type": "CLIPTextEncode",
               "inputs": {"clip": ["1", 1], "text": negative}},
        "4":  {"class_type": "CLIPVisionLoader",
               "inputs": {"clip_name": "CLIP-ViT-H-14-laion2B-s32B-b79K.safetensors"}},
        "5":  {"class_type": "IPAdapterModelLoader",
               "inputs": {"ipadapter_file": "ip-adapter-plus_sdxl_vit-h.safetensors"}},
        # キャラ参照画像 (男固定)
        "6a": {"class_type": "LoadImage", "inputs": {"image": char_ref_image}},
        # スタイル参照画像
        "6b": {"class_type": "LoadImage", "inputs": {"image": style_ref_image}},

        # 1段目: キャラ参照 IPAdapter (weight=0.80, end_at=1.0)
        "7a": {
            "class_type": "IPAdapterAdvanced",
            "inputs": {
                "model":          ["1", 0],
                "ipadapter":      ["5", 0],
                "image":          ["6a", 0],
                "clip_vision":    ["4", 0],
                "positive":       ["2", 0],
                "negative":       ["3", 0],
                "weight":         0.80,
                "weight_type":    "linear",
                "start_at":       0.0,
                "end_at":         1.0,   # キャラは全ステップで固定
                "embeds_scaling": "K+mean(V) w/ C penalty",
            }
        },
        # 2段目: スタイル参照 IPAdapter (weight=0.55, end_at=0.8)
        # 1段目の出力モデル ["7a", 0] を受け取る
        "7b": {
            "class_type": "IPAdapterAdvanced",
            "inputs": {
                "model":          ["7a", 0],   # キャラIPAのモデル出力を受け取る
                "ipadapter":      ["5", 0],
                "image":          ["6b", 0],
                "clip_vision":    ["4", 0],
                "positive":       ["7a", 1],   # キャラIPAのpositive出力
                "negative":       ["7a", 2],   # キャラIPAのnegative出力
                "weight":         0.55,         # char(0.80) + style(0.55) = 1.35 < 1.4 安全
                "weight_type":    "linear",
                "start_at":       0.0,
                "end_at":         0.8,
                "embeds_scaling": "K+mean(V) w/ C penalty",
            }
        },
        "8":  {"class_type": "EmptyLatentImage",
               "inputs": {"width": 1024, "height": 1024, "batch_size": 1}},
        "9":  {
            "class_type": "KSampler",
            "inputs": {
                "model":        ["7b", 0],   # 2段目IPAのモデル出力
                "positive":     ["7b", 1],
                "negative":     ["7b", 2],
                "latent_image": ["8", 0],
                "sampler_name": "dpmpp_2m",
                "scheduler":    "karras",
                "steps": 30, "cfg": 6.0, "seed": seed, "denoise": 1.0
            }
        },
        "10": {"class_type": "VAEDecode",
               "inputs": {"samples": ["9", 0], "vae": ["1", 2]}},
        "11": {"class_type": "SaveImage",
               "inputs": {"images": ["10", 0], "filename_prefix": "dual_ipa_"}}
    }

# 安全ライン確認
CHAR_WEIGHT  = 0.80
STYLE_WEIGHT = 0.55
assert CHAR_WEIGHT + STYLE_WEIGHT < 1.4, "合計weight が1.4を超えると崩壊リスク大"
print(f"合計weight: {CHAR_WEIGHT + STYLE_WEIGHT:.2f} (安全)")

なぜ分離が必要か

IP-Adapter の参照特徴は生成画像の 全領域 に影響する。男キャラ参照画像を使うと、女キャラの髪色・肌色・体型にも男キャラの特徴が「にじむ」現象が発生する。Regional Conditioning でマスクを使い、男キャラIPAの影響を男キャラ領域のみに限定する ^[6]。

実装手順

Step 1: マスク生成 (PIL)

from PIL import Image, ImageDraw
import numpy as np
import torch

def create_region_masks(
    width: int = 1024,
    height: int = 1024,
    male_region: str = "right",   # "right" or "left" or "custom"
) -> tuple:
    """
    男女領域のマスクを生成する
    Returns: (male_mask_tensor, female_mask_tensor) shape=(1, H, W)
    """
    male_mask   = Image.new("L", (width, height), 0)    # 黒=影響なし
    female_mask = Image.new("L", (width, height), 0)
    draw_m = ImageDraw.Draw(male_mask)
    draw_f = ImageDraw.Draw(female_mask)

    if male_region == "right":
        # 右半分=男、左半分=女
        draw_m.rectangle([width//2, 0, width, height], fill=255)
        draw_f.rectangle([0, 0, width//2, height], fill=255)
    elif male_region == "left":
        draw_m.rectangle([0, 0, width//2, height], fill=255)
        draw_f.rectangle([width//2, 0, width, height], fill=255)
    elif male_region == "custom":
        # カスタム: 右30%を男領域に
        draw_m.rectangle([int(width*0.7), 0, width, height], fill=255)
        draw_f.rectangle([0, 0, int(width*0.7), height], fill=255)

    # NumPy → Tensor に変換 (ComfyUI形式)
    male_np   = np.array(male_mask).astype(np.float32) / 255.0
    female_np = np.array(female_mask).astype(np.float32) / 255.0
    male_t    = torch.from_numpy(male_np).unsqueeze(0)   # (1, H, W)
    female_t  = torch.from_numpy(female_np).unsqueeze(0)
    return male_t, female_t

# 使用例
male_mask, female_mask = create_region_masks(1024, 1024, "right")
print(f"Male mask sum: {male_mask.sum().item():.0f} (= 右半分の白ピクセル数)")

Step 2: Regional IPAdapter ワークフロー

def build_regional_ipa_workflow(
    checkpoint: str,
    male_ref: str,     # 男キャラ参照画像名 (ComfyUIアップロード済み)
    female_ref: str,   # 女キャラ参照画像名
    positive: str,
    negative: str,
    seed: int = 42,
) -> dict:
    """
    男女領域を分離したIPAdapterRegionalConditioning ワークフロー
    Inspire Pack の RegionalIPAdapterColorMask を使用
    """
    return {
        "1":  {"class_type": "CheckpointLoaderSimple",
               "inputs": {"ckpt_name": checkpoint}},
        "2":  {"class_type": "CLIPTextEncode",
               "inputs": {"clip": ["1", 1], "text": positive}},
        "3":  {"class_type": "CLIPTextEncode",
               "inputs": {"clip": ["1", 1], "text": negative}},
        "4":  {"class_type": "CLIPVisionLoader",
               "inputs": {"clip_name": "CLIP-ViT-H-14-laion2B-s32B-b79K.safetensors"}},
        "5":  {"class_type": "IPAdapterModelLoader",
               "inputs": {"ipadapter_file": "ip-adapter-plus_sdxl_vit-h.safetensors"}},
        # 男キャラ参照
        "6m": {"class_type": "LoadImage", "inputs": {"image": male_ref}},
        # 女キャラ参照
        "6f": {"class_type": "LoadImage", "inputs": {"image": female_ref}},

        # 男キャラ用 RegionalConditioning (右半分マスク)
        "7m": {
            "class_type": "IPAdapterRegionalConditioning",
            "inputs": {
                "image":          ["6m", 0],
                "ipadapter":      ["5", 0],
                "clip_vision":    ["4", 0],
                "image_weight":   0.75,
                "prompt_weight":  0.0,   # プロンプトによる上書きなし
                "weight_type":    "linear",
                "start_at":       0.0,
                "end_at":         0.8,
                # マスク: 右半分 (ComfyUI内でImageToMaskノードで生成)
                "mask":           ["MASK_M", 0],
            }
        },
        # 女キャラ用 RegionalConditioning (左半分マスク)
        "7f": {
            "class_type": "IPAdapterRegionalConditioning",
            "inputs": {
                "image":          ["6f", 0],
                "ipadapter":      ["5", 0],
                "clip_vision":    ["4", 0],
                "image_weight":   0.65,   # 女キャラは少し弱めで自然に
                "prompt_weight":  0.3,    # プロンプトも適度に効かせる
                "weight_type":    "linear",
                "start_at":       0.0,
                "end_at":         0.8,
                "mask":           ["MASK_F", 0],
            }
        },
        # Combine Regional Conditionings
        "8":  {
            "class_type": "IPAdapterCombineParams",  # または IPAAdapters ノード
            "inputs": {
                "ipadapter_params1": ["7m", 0],
                "ipadapter_params2": ["7f", 0],
            }
        },
        # IPA + Combined Regions を適用
        "9":  {
            "class_type": "IPAdapterFromParams",
            "inputs": {
                "model":           ["1", 0],
                "ipadapter":       ["5", 0],
                "ipadapter_params":["8", 0],
                "positive":        ["2", 0],
                "negative":        ["3", 0],
                "embeds_scaling":  "K+mean(V) w/ C penalty",
            }
        },
        "10": {"class_type": "EmptyLatentImage",
               "inputs": {"width": 1024, "height": 1024, "batch_size": 1}},
        "11": {
            "class_type": "KSampler",
            "inputs": {
                "model":        ["9", 0],
                "positive":     ["9", 1],
                "negative":     ["9", 2],
                "latent_image": ["10", 0],
                "sampler_name": "dpmpp_2m", "scheduler": "karras",
                "steps": 30, "cfg": 6.0, "seed": seed, "denoise": 1.0
            }
        },
        "12": {"class_type": "VAEDecode",
               "inputs": {"samples": ["11", 0], "vae": ["1", 2]}},
        "13": {"class_type": "SaveImage",
               "inputs": {"images": ["12", 0], "filename_prefix": "regional_ipa_"}}
    }

改造の方針

既存の GOLDEN パターン (IPA無し・cfg6.0) を 壊さず、use_ipa=True フラグで新機能に切り替える。gen_oudou_r18_master_2026-05-20.py の run_vol_ipa 関数に IPA パラメータを追加する形で実装。

改造コード

# gen_oudou_r18_master_2026-05-20.py の修正箇所

# 1. 男キャラ参照画像パスを CHARS 定義に追加
CHARS = {
    "akari": {
        "seed_base": 1000,
        "trigger":   "akari_r18",
        # 既存定義はそのまま...
        # ★追加: 男キャラ参照画像パス (このVolで使う男キャラ)
        "male_ref_path": r"D:\projects\fanza3_mass\refs\male_slim_dark_v1.png",
    },
    "hinata": {
        "seed_base": 2000,
        "trigger":   "hinata_r18",
        "male_ref_path": r"D:\projects\fanza3_mass\refs\male_slim_dark_v1.png",
    },
    # ... 他のキャラも同様
}

# 2. run_vol_ipa 関数に use_ipa フラグと IPA 設定を追加
def run_vol_ipa(
    vol_id: str,
    model_override: str = None,
    use_ipa: bool = False,          # ★追加: True でIPA有効
    ipa_weight: float = 0.75,       # ★追加
    ipa_end_at: float = 0.80,       # ★追加
):
    char_key = VOL_DEFS[vol_id]["char"]
    char = CHARS[char_key]
    model = model_override or DEFAULT_MODEL

    for stage_idx, stage in enumerate(SCENE_DIST):
        for img_idx in range(stage):
            seed = char["seed_base"] + stage_idx * 1000 + img_idx
            positive = build_positive(vol_id, stage_idx, char)
            negative = build_negative(stage_idx)

            if use_ipa and char.get("male_ref_path"):
                # ★ IPA有効時: 参照画像付きワークフロー
                male_ref_name = upload_image_once(
                    char["male_ref_path"],
                    cache_key=f"{char_key}_male_ref"  # 同一Volで1回だけアップロード
                )
                workflow = build_workflow_with_ipa(
                    checkpoint=model,
                    ipa_model="ip-adapter-plus_sdxl_vit-h.safetensors",
                    clip_vision="CLIP-ViT-H-14-laion2B-s32B-b79K.safetensors",
                    ref_image_name=male_ref_name,
                    positive_prompt=positive,
                    negative_prompt=negative,
                    ipa_weight=ipa_weight,
                    ipa_end_at=ipa_end_at,
                    cfg=6.0, steps=30, seed=seed,
                )
            else:
                # ★ 既存GOLDEN: IPA無し (変更なし)
                workflow = build_workflow_plain(
                    checkpoint=model,
                    positive_prompt=positive,
                    negative_prompt=negative,
                    cfg=6.0, steps=30, seed=seed,
                )

            queue_prompt(workflow)

# 3. _prod_plain_golden_2026-05-22.py の呼び出し側に IPA 引数追加
# 変更前:
#   m.run_vol_ipa(vid, model_override=V160, use_ipa=False)
# 変更後 (IPA有効化):
#   m.run_vol_ipa(vid, model_override=V160, use_ipa=True, ipa_weight=0.75, ipa_end_at=0.80)

# 4. upload_image_once: 同一参照画像を1回だけアップロードするキャッシュ
_upload_cache = {}
def upload_image_once(img_path: str, cache_key: str) -> str:
    if cache_key not in _upload_cache:
        _upload_cache[cache_key] = upload_image(img_path)
    return _upload_cache[cache_key]

推論コスト比較

訓練コスト (LoRA)

段階別費用対効果

撤退ライン