Lycoris（リコリス）とは？話題の生成AI拡張機能を徹底解説

はじめに：進化を続ける生成AIと「拡張機能」の重要性

近年、人工知能（AI）の進化は目覚ましく、特に「生成AI」と呼ばれる分野は私たちのクリエイティブな活動や情報との関わり方を根本から変えようとしています。テキストから画像を生成するStable Diffusion、テキストからテキストを生成するChatGPT、音楽や動画を生成するAIなど、その応用範囲は日々広がっています。

中でも、画像生成AIは多くの人々に創造の喜びをもたらしました。「呪文」とも呼ばれるテキストプロンプトを入力するだけで、想像の世界が鮮やかな画像として目の前に現れる体験は、かつて専門家やアーティストにしか許されなかった領域を、誰もが気軽に探索できるものに変えました。

Stable Diffusionに代表される画像生成AIは、インターネット上の膨大な画像とテキストのペアで学習された「基盤モデル」として提供されています。この基盤モデルだけでも驚くほど多様な画像を生成できますが、「もっと特定の画風で描きたい」「特定のキャラクターや物体を正確に再現したい」「自分のオリジナリティをAIに学習させたい」といった、よりパーソナルな要求に応えるためには、基盤モデルをさらに調整する必要があります。

ここで登場するのが「拡張機能」や「追加学習」の技術です。初期の画像生成AIでは、特定のスタイルや被写体を学習させるために、基盤モデル全体を再学習させる「ファインチューニング」という手法が用いられました。しかし、これは膨大な計算リソースと時間が必要であり、さらに学習後のモデルファイルサイズが元の基盤モデルと同等かそれ以上に大きくなるという問題がありました。学習するたびに数GBものモデルファイルが生成されるのでは、多様なスタイルや被写体を使い分けることが非常に困難になります。

この問題を解決するために登場したのが「LoRA（Low-Rank Adaptation）」です。LoRAは、基盤モデルの全てを学習させるのではなく、モデル内の特定の一部（主にTransformer層のAttention機構）に「アダプター」と呼ばれる小さな追加の行列を挿入し、このアダプターのみを学習させる手法です。これにより、学習に必要な計算リソースと時間が大幅に削減され、生成されるアダプターファイル（LoRAファイル）のサイズも数十MB程度と非常に小さくなりました。LoRAの登場は、個人でも手軽に特定のスタイルやキャラクターを学習させ、それを基盤モデルに組み合わせて利用するという新しいワークフローを確立し、画像生成AIコミュニティの爆発的な発展を促しましたと言えるでしょう。

LoRAは画像生成AIの民主化に大きく貢献しましたが、万能ではありませんでした。LoRAは主にTransformer層に焦点を当てた技術であるため、画像生成における重要な要素である「テクスチャ」「構図」「細部」といった、畳み込みニューラルネットワーク（CNN）層が担う部分の表現力向上には限界があるという課題も指摘されていました。また、複雑なスタイルや複数の要素を同時に学習させる場合に、LoRAだけでは十分な品質が得られなかったり、不自然な結果になったりするケースも見られました。

このような背景の中、LoRAの成功を受けつつ、その限界を超えるために研究・開発が進められてきたのが、本記事で詳しく解説する「Lycoris（リコリス）」と呼ばれる技術群です。Lycorisは、LoRAと同様に低ランク学習を基本としながらも、より広範なモデル層にアダプターを適用したり、アダプターの構造を工夫したりすることで、LoRAでは難しかった表現や、より効率的な学習を目指しています。Stable Diffusionコミュニティでは、「LoRAの次世代技術」「さらに強力な拡張機能」として大きな注目を集めています。

本記事では、この「Lycoris」について、その基本的な概念から技術的な仕組み、なぜ注目されているのかという利点、具体的な使い方、そして他の技術との比較や今後の展望に至るまで、約5000語というボリュームで徹底的に解説していきます。Lycorisを理解することで、あなたの画像生成AIの可能性はさらに広がるはずです。

Lycorisとは何か？基本的な概念と位置づけ

Stable Diffusion関連のコミュニティで「Lycoris（リコリス）」と呼ばれるとき、それは一般的に、Stability AIの研究者が公開している「LyCORIS（Low-Rank Compassionate Interleaved Subnets）」という名前のPythonライブラリ、およびそのライブラリが実装する様々な「低ランク学習」手法、特に「LierLa（Low-Rank Adaptation for Fast Text-to-Image Personalization）」を指すことが多いです。LoRAが特定の研究論文（Hu et al., 2021）に基づいた一つの手法を指すのに対し、LyCORISライブラリはLierLaを含む複数の低ランク学習手法を統合的に扱い、Stable Diffusionのような拡散モデルへの適用を容易にすることを目的としています。

つまり、「Lycoris」は単一の技術というよりは、LoRAを発展・包含する「低ランク学習のフレームワーク」あるいは「LoRAオルタナティブな拡張学習技術群」と理解するのが適切です。その中心にある技術の一つが「LierLa」であり、これがLoRAと直接比較される文脈で語られることが最も多いです。本記事でも、この文脈での「Lycoris」を中心に解説を進めます。

Lycoris（LierLa）が登場した背景：LoRAの限界を超えるために

前述の通り、LoRAは画像生成AIの追加学習において革命をもたらしました。しかし、LoRAは主にTransformer層、特にSelf-Attention機構内の線形変換層（行列乗算）にアダプターを挿入することに特化しています。Stable Diffusionのような画像生成モデルは、Transformer層だけでなく、画像の空間的な特徴を扱う畳み込みニューラルネットワーク（CNN）層も重要な役割を果たしています。

LoRAだけでは、以下のような課題がありました。

表現力の限界: テクスチャの細部、複雑な幾何学的形状、特定のブラシストロークといった、CNNが担当する視覚的な要素の学習に限界がありました。キャラクターの顔や衣装のような要素は学習しやすいものの、背景の雰囲気や特定の画家の筆致といったスタイル全体をLoRAだけで完璧に再現するのは難しいケースがありました。
複数の要素の組み合わせ学習の難しさ: 一つのLoRAファイルで複数の異なる要素（例：特定のキャラクターの特定の衣装と特定のポーズ）を同時に高品質に学習させるのが困難な場合がありました。要素同士が干渉し合い、学習が不安定になることがありました。
特定のアーキテクチャへの依存: LoRAはTransformerの線形層への適用が基本であり、モデルアーキテクチャによっては効果が限定される可能性がありました。

Lycoris（特にLierLa）は、これらのLoRAの課題を克服することを目指して開発されました。その核心は、LoRAよりも広範な層、特にCNN層にも効果的に低ランクアダプターを適用できるようにした点にあります。これにより、LoRAでは捉えきれなかった画像の特徴、例えばテクスチャ、細かいディテール、画像全体の構図や雰囲気といった要素も、効率的に学習させることが可能になりました。

Lycorisは、LoRAと同様にファイルサイズが非常に小さく、基盤モデルに「アドオン」として適用することで機能します。これにより、ユーザーは多様なLycorisファイルをダウンロードして組み合わせたり、独自のLycorisモデルを学習して共有したりすることが、LoRAと同じように、あるいはそれ以上に手軽に行えるようになりました。

Lycoris（LierLa）の正式名称と技術名

繰り返しになりますが、Stable Diffusionコミュニティで「Lycoris」と呼ばれるものは、Stability AIが公開しているLyCORISというPythonライブラリ、およびそのライブラリが実装する手法群を指します。このライブラリには、LoRAの改良版である「LierLa（Low-Rank Adaptation for Fast Text-to-Image Personalization）」の他、「DyLoRA（Dynamic Low-Rank Adaptation）」、「GLiCyS（Gradient-based Low-rank Compassionate Interleaved Subnets）」といった、様々な低ランク学習や関連技術が実装されています。

したがって、ユーザーがダウンロードして使用する .safetensors ファイルの中には、LierLa、DyLoRA、GLiCySなど、LyCORISライブラリで学習された様々な形式のデータが含まれている可能性があります。しかし、最も一般的に利用され、LoRAと比較されるのは「LierLa」であるため、本記事でも主にLierLaを中心としたLycorisの解説を行います。LyCORISライブラリの名前がコミュニティで技術名として定着した背景には、このライブラリがこれらの新しい低ランク学習手法をStable Diffusionユーザーに提供する主要なツールとなったことがあると言えます。

Lycoris（特にLierLa）は、単にLoRAのマイナーチェンジではなく、画像生成AIの追加学習における表現力と効率性のバランスを再定義する、重要な一歩と言える技術です。

Lycorisの技術的な仕組み：低ランク学習の進化

Lycoris（主にLierLa）がLoRAよりも優れた表現力を発揮できる理由を理解するためには、その技術的な仕組みを少し掘り下げて見る必要があります。基本となるのは、LoRAと同じく「低ランク学習」の考え方です。

低ランク学習（Low-Rank Adaptation）の基本原理（LoRAの復習）

基盤モデルは、大量のパラメータ（重み行列）で構成されています。ファインチューニングは、この全てのパラメータを新しいデータで微調整する作業です。しかし、ほとんどのパラメータは汎用的な特徴を捉えており、特定のタスクやスタイルへの適応に必要な変更は、パラメータ空間全体のごく一部で行われると考えることができます。

低ランク学習は、この「ごく一部の変更」を効率的に実現するための手法です。大きな重み行列 W を直接微調整する代わりに、変更部分 ΔW を「低ランク」な行列として表現します。行列 ΔW が低ランクであるとは、それを二つの小さな行列 A と B の積 B * A として表現できるということです。例えば、元の重み行列が d x k のサイズである場合、A を r x k、B を d x r のサイズとします。ここで r は「ランク」と呼ばれ、d や k よりもずっと小さい値（通常は数〜数十、多くても数百）を選びます。学習では、この小さな行列 A と B のパラメータのみを更新します。

学習後のモデルは、元の重み行列 W に学習した低ランク行列の積 B * A を足し合わせた W + B * A として機能します。推論時には、この計算を効率的に行うことで、元のモデルにわずかなパラメータを追加するだけで、ファインチューニングに近い効果を得ることができます。LoRAでは、特にTransformer層の線形変換（クエリ、キー、バリュー、射影など）に対応する重み行列 W に対して、このような低ランク行列 B * A を追加しました。

LoRAの利点は、学習するパラメータ数が劇的に少なくなること（d*k に対して d*r + r*k = r*(d+k)）、これにより学習時間と計算リソースが削減されること、そして学習済みの A と B だけを保存すれば良いためファイルサイズが小さいことです。

Lycoris (LierLaなど) がLoRAとどう異なるのか

Lycoris、特にLierLaは、この低ランク学習の考え方をさらに拡張しています。LoRAが主にTransformer層の線形変換に焦点を当てていたのに対し、LierLaはTransformer層だけでなく、画像生成モデルのもう一つの主要な構成要素である畳み込みニューラルネットワーク（CNN）層にも効果的に低ランクアダプターを適用できるように設計されています。

画像生成モデルにおいて、CNN層は画像のピクセルデータから空間的な特徴を抽出したり、解像度を調整したりする重要な役割を担っています。テクスチャ、エッジ、パターン、細かいディテールといった視覚情報は主にCNN層で処理されます。LoRAが線形変換に特化していたため、これらの空間的な特徴の学習には限界がありました。

LierLaは、畳み込み層に対しても低ランクアダプターを適用するための手法を導入しています。畳み込み層の重みも4階のテンソル（[出力チャンネル数, 入力チャンネル数, カーネル高, カーネル幅]）として表現されますが、LierLaはこの畳み込み重みに対する低ランク近似を行います。具体的には、畳み込み重みテンソルを特定の次元で展開（flatten）して大きな行列とみなし、その行列に対して低ランク分解を適用したり、あるいは畳み込み演算自体を低ランクな方法で近似する手法が用いられます。

LierLaの主な特徴とLoRAとの違いは以下の通りです。

アダプターの適用範囲の拡大: LoRAは主にTransformer層（Self-Attention/Cross-Attention）の線形変換（q_proj, k_proj, v_proj, out_projなど）に適用されますが、LierLaはこれらの線形層に加えて、U-Netモデル内の畳み込み層やグループ正規化層など、より多様な層にアダプターを適用可能です。特にCNN層への適用が可能になったことで、テクスチャ、構図、細かいディテールといった、より視覚的な要素の学習能力が向上しました。
アダプターの構造の多様性: LyCORISライブラリは、LierLa以外にもDyLoRA（Dynamic Rank LoRA）、GLiCySなどの手法をサポートしています。LierLa自体も、線形層には通常のLoRAに似たアダプターを、畳み込み層には畳み込みアダプターを適用するなど、層のタイプに応じて異なるアダプター構造を用いることがあります。これにより、様々な種類の層に対して最適な形で低ランク学習を行うことができます。
表現力の向上: アダプターをより多くの層、特にCNN層に適用できるようになった結果、Lycoris（LierLa）はLoRAと比較して、より複雑なスタイル、緻密なテクスチャ、特定の構図、複数の要素が絡み合ったシーンなど、LoRAでは学習が難しかった、あるいは不自然になりがちだった表現を、高品質かつ安定して学習・生成できるようになりました。
ファイル形式: Lycorisで学習されたモデルは、LoRAと同様に小さなファイル（主に .safetensors 形式）として保存されます。ファイルサイズはLoRAファイルと同等か、適用範囲が広い場合はわずかに大きくなることがありますが、フルファインチューニングモデルと比較すれば圧倒的に小さいままです。

LyCORISライブラリには、LierLa以外にもいくつかの手法が含まれています。

DyLoRA (Dynamic Low-Rank Adaptation): 学習中にアダプターのランクを動的に変化させることで、より効率的な学習や、異なる層で最適なランクを用いることを目指す手法です。
GLiCyS (Gradient-based Low-rank Compassionate Interleaved Subnets): 勾配情報に基づいてアダプターを配置・学習させることで、より重要なパラメータに学習リソースを集中させる手法などが提案されています（ただし、これは比較的新しい手法であり、LierLaほど広く使われているわけではないかもしれません）。

これらの手法は、それぞれ異なるアプローチで低ランク学習の効率や表現力を向上させようとしています。LyCORISライブラリは、これらの手法を共通のインターフェースで扱い、Stable Diffusionモデルへの適用を容易にすることで、ユーザーが目的に応じて最適な手法を選択・利用できるようにしています。

しかし、現状で最も「Lycoris」として認識され、LoRAと比較対象となるのは「LierLa」です。LierLaが、線形層に加えてCNN層へのアダプター適用を可能にした点が、LoRAに対する最も大きな技術的進化であり、表現力向上の主要因と言えます。

ファイル形式と互換性

Lycorisで学習されたモデルファイルは、LoRAと同様に、セキュリティ上の懸念が少ない .safetensors 形式で配布されることが一般的です。ファイルサイズはLoRAファイル（通常数十MB）と同等か、アダプターの適用範囲やランクによっては少し大きくなることもありますが、数百MBを超えることは稀です。これは、数GBにもなるフルファインチューニングモデルや、数十GBになるDreamboothモデルと比較すれば圧倒的に小さく、多くのモデルをローカルに保存して切り替えながら使うことが現実的になります。

これらの .safetensors ファイルは、Stable Diffusion Web UI (AUTOMATIC1111, ComfyUIなど) に適切な拡張機能（例えば、AUTOMATIC1111の場合は標準でLoRAやLyCORISをサポートしている場合が多いですが、古いバージョンでは特定の拡張機能が必要なこともありました）があれば、LoRAファイルと同様に読み込んで使用することができます。基盤モデルと組み合わせて使用する際の操作感は、LoRAと非常に似ています。

このように、Lycoris（LierLa）は、LoRAの「低ランク学習による効率化」という思想を受け継ぎつつ、アダプターの適用範囲を拡大することで、画像生成AIの追加学習における表現力の壁を打ち破ろうとする技術と言えます。その技術的な核心は、特に畳み込み層への効果的なアダプター適用にあると言えるでしょう。

なぜLycorisが注目されるのか？利点とメリット

Lycorisが画像生成AIコミュニティで急速に普及し、LoRAの強力な代替手段あるいは上位互換として注目されているのには、いくつかの明確な理由があります。その主要な利点とメリットを以下に詳述します。

1. 表現力の圧倒的な向上

これがLycorisが最も注目される理由かもしれません。Lycoris（特にLierLa）は、LoRAでは難しかった、あるいは不自然になりがちだった様々な表現を、より高品質かつ安定して生成できるようになります。

複雑なスタイルや画風の再現: 特定のアーティストの複雑な筆致、水彩画のにじみ、油絵の厚塗り感、特定の漫画家やアニメーターのデフォルメスタイルなど、画像全体の雰囲気やテクスチャに深く関わるスタイル要素を、LoRAよりも忠実に学習・再現できます。これは、畳み込み層へのアダプター適用が可能になったことによる恩恵が大きいと考えられます。
細かいディテールやテクスチャの再現性向上: 布地の質感、髪の毛一本一本の表現、肌のきめ細かさ、複雑な装飾品のデザインなど、画像中の細かい部分のディテールやテクスチャをより鮮明かつ正確に学習・生成できます。
複雑な構図やポーズの安定性: 複数のオブジェクトの配置、特定の複雑なポーズ、被写体と背景の関係性など、画像全体の構成に関わる要素の学習にも強みを発揮します。LoRAでは崩れやすかった構図や、意図しない要素の混入がLycorisでは抑制される場合があります。
複数の要素の組み合わせ学習: 一つのLycorisファイルで、特定のキャラクター、その衣装、特定の表情、そして特定の背景スタイルといった複数の要素を同時に学習させても、それぞれの要素が互いに干渉しにくく、高品質な結果が得られやすくなります。これは、アダプターがより多くの層に分散して適用されることで、各層が異なる要素の学習を担うようになるためと考えられます。

これらの表現力向上は、ユーザーがより自由で、よりパーソナルなイメージを生成することを可能にします。自分が思い描く特定のキャラクターや世界観を、高いクオリティで画像として出力できる可能性が高まります。

2. 学習効率の向上とデータセットの柔軟性

LycorisはLoRAと同様に、フルファインチューニングと比較して圧倒的に少ないデータと計算リソースで学習が可能です。さらに、場合によってはLoRAよりも学習効率が良い、あるいは同等の効率でより高い品質が得られることがあります。

少ないデータでの高品質学習: 比較的少数の学習画像でも、高い表現力を持つモデルを学習できる可能性があります。これにより、個人で収集できる限られたデータセットでも、実用的なモデルを作成しやすくなります。
学習時間の短縮: LoRAと同様に、学習に必要なパラメータ数が少ないため、学習時間を大幅に短縮できます。これにより、試行錯誤が容易になり、短時間で複数の学習モデルを試すことが可能になります。
データセットの柔軟性: 学習データに多少のノイズやバリエーションが含まれていても、比較的安定した学習結果が得られることがあります。これは、より広範な層で学習が行われるため、データセットの偏りによる影響を受けにくい可能性があるためです。

もちろん、学習データの質や量が多いほど良い結果が得られるのはLoRAと同様ですが、Lycorisは「限られたリソースでどれだけ良い結果が得られるか」という点で優位性を示す場合があります。

3. 優れたファイルサイズの効率性

Lycorisで学習されたモデルファイル（.safetensors形式）は、LoRAファイルと同等か、わずかに大きい程度の非常に小さなサイズです。通常、数十MBから数百MB程度に収まります。

ストレージ容量の節約: 数GBにもなるフルファインチューニングモデルと比較して、ストレージ容量を大幅に節約できます。多様なスタイルやキャラクターのモデルを手元に置いておき、必要に応じて切り替えることが容易です。
モデルの配布と共有の容易さ: ファイルサイズが小さいため、インターネット経由でのモデルの配布や共有が非常に簡単です。Civitaiのようなモデル配布サイトでは、LoRAと並んでLycorisモデルが多数公開されており、誰もが手軽にダウンロードして利用できます。

このファイルサイズの効率性は、画像生成AIを日常的に利用するユーザーにとって、非常に大きなメリットとなります。

4. 高い柔軟性と互換性

Lycorisモデルは、LoRAと同様に、様々なStable Diffusion基盤モデルと組み合わせて使用することができます。v1.5, v2.1, SDXLなど、異なるバージョンの基盤モデル用に学習されたLycorisモデルを、それぞれの基盤モデルに適用することで、表現の幅を広げることができます。

また、ControlNet, Hires. fix, Aesthetic Graderなどの他のStable Diffusion拡張機能とも組み合わせて使用できます。Lycorisがモデル自体の表現力を拡張する役割を担うのに対し、ControlNetは画像のポーズや構図を制御するなど、それぞれ異なる役割を持つため、互いに補完し合うことで、より意図に近い画像を生成することが可能になります。

これらの互換性の高さは、Lycorisが既存の画像生成AIワークフローにスムーズに組み込めることを意味し、ユーザーは現在利用している環境を変えることなく、Lycorisの恩恵を受けることができます。

5. コミュニティでの活発な利用と情報共有

Lycorisは既に多くの画像生成AIユーザーやクリエイターによって利用されており、Civitaiなどのモデル配布サイトには多数のLycorisモデルが公開されています。また、TwitterやDiscordなどのコミュニティでは、Lycorisの学習方法、パラメータ設定、生成例、トラブルシューティングなど、活発な情報交換が行われています。

豊富な学習済みモデルの入手: 多様なスタイル、キャラクター、アイテムなどのLycorisモデルを簡単にダウンロードして利用できます。
学習ノウハウの共有: 他のユーザーが公開している学習設定やデータセットの準備方法などを参考に、自分でも効果的なLycorisモデルを学習するためのノウハウを得やすい環境があります。
ツールのサポート: AUTOMATIC1111 Web UIやkohya-ss GUIなど、主要な学習・生成ツールがLycoris（LyCORISライブラリ）をサポートしており、比較的容易に利用を開始できます。

コミュニティの活発さは、新しい技術が普及し、さらに発展していく上で非常に重要な要素です。Lycorisは既にこの段階に入っており、利用者はその恩恵を享受できます。

これらの利点から、Lycorisは単なるLoRAの亜種ではなく、画像生成AIの追加学習技術として一歩先を行く存在として認識されています。特に「表現力の向上」という点は、クリエイティブな表現を追求するユーザーにとって、Lycorisを試す強力な動機付けとなっています。

Lycorisの活用方法：ダウンロードから学習まで

Lycorisモデルを活用する方法は、主に「既存のモデルをダウンロードして使用する」と「独自のモデルを学習する」の二つに分けられます。どちらの方法も、LoRAの扱いに慣れているユーザーにとっては比較的容易に始められます。

1. 既存のLycorisモデルのダウンロードと適用

最も手軽にLycorisを始める方法は、他のユーザーが公開している学習済みモデルをダウンロードして利用することです。

モデルの入手先

Lycorisモデルは、主に以下のようなサイトで配布されています。

Civitai: Stable Diffusionモデルの最大の配布サイトの一つであり、LoRAモデルと並んで多数のLycorisモデル（タグやファイル拡張子で区別されることが多い）が公開されています。検索機能やタグを使って、目的に合ったモデルを見つけることができます。
特定のコミュニティやフォーラム: Discordサーバーやオンラインフォーラムなどで、ユーザーが個人的に学習したモデルを共有している場合もあります。

モデルをダウンロードする際は、ファイル形式（通常は .safetensors）、対応する基盤モデル（SD 1.5用か、SDXL用かなど）、推奨されるプロンプト（トリガーワードなど）、そして利用規約（ライセンス）を確認しましょう。

モデルファイルの配置場所

ダウンロードしたLycorisモデルファイル（例: my_lycoris_style.safetensors）は、Stable Diffusion Web UIが読み込める特定のフォルダに配置する必要があります。

AUTOMATIC1111 Stable Diffusion Web UIの場合:
- 通常、stable-diffusion-webui/extensions/sd-webui-additional-networks/models/lora フォルダ内に配置します。LyCORISライブラリをサポートする拡張機能が、このLoRAフォルダ、あるいは別のLyCORIS専用フォルダ（例: stable-diffusion-webui/extensions/sd-webui-additional-networks/models/lycoris など、使用している拡張機能による）を監視しています。最新のWeb UIや拡張機能であれば、LoRAフォルダに入れておけばLycorisとして認識されることが多いです。
ComfyUIの場合:
- ComfyUIのインストールフォルダ内の models/loras フォルダに配置します。ComfyUIはノードベースのUIであり、Lycorisを読み込むための専用ノード（例えば、Load Lora ノードや、LyCORIS対応のカスタムノード）を使用します。

正確な配置場所は、使用しているWeb UIのバージョンやインストールされている拡張機能によって異なる場合があります。不明な場合は、使用しているWeb UIや拡張機能のドキュメントを確認してください。

Web UIでのロードと使用方法

モデルファイルを適切なフォルダに配置したら、Web UIを再起動するか、モデルリストを更新します。

AUTOMATIC1111 Stable Diffusion Web UIの場合:
- T2I (Text-to-Image) または I2I (Image-to-Image) タブを開きます。
- プロンプト入力欄の下にある「Show extra networks」ボタン（山脈のようなアイコンや、拡張機能のアイコン）をクリックします。
- 表示されたウィンドウで「Lora」タブを選択します。配置したLycorisモデルがリストに表示されるはずです。（LyCORIS対応拡張機能が導入されているか、最新版であれば、LoRAタブに Lycoris モデルも表示される）
- 使用したいLycorisモデルをクリックすると、プロンプト入力欄に <lora:モデルファイル名:適用強度> のような形式でタグが挿入されます。Lycorisの場合も、同じ <lora:...> 形式で指定することが一般的です。（使用する拡張機能やLyCORISライブラリのバージョンによっては、<lyco:...> のような異なる形式が使われる場合もありますが、現状多くのWeb UIではLoRAと同じ形式で扱われます）
- <lora:モデルファイル名:適用強度> の :適用強度 部分は、モデルの効果の強さを調整する数値です。通常は 1 を基準とし、効果を弱めたい場合は 0.5 など、強めたい場合は 1.2 などに変更します。0にすると効果は無効になります。モデルによっては、推奨される適用強度が作者から提示されている場合がありますので、それを参考にしましょう。
- モデル配布ページに記載されている「トリガーワード」（例: 1girl, blue hair, school uniform など）をプロンプトに含めることで、モデルの学習内容がより効果的に反映されます。
- プロンプト、ネガティブプロンプト、サンプラー、ステップ数などの生成設定を行い、画像を生成します。
ComfyUIの場合:
- ComfyUIのワークフローにおいて、基盤モデル（Checkpoint）をロードした後、LoRA（あるいはLyCORIS対応のカスタムノード）をロードするノードを追加し、モデルに接続します。
- LoRAロードノードの設定で、使用したいLycorisモデルファイルを選択し、適用強度（strength）を指定します。
- テキストエンコーダー（CLIP）にも同様にLoRA（Lycoris）を適用するノードを接続し、強度を指定します。
- これらの設定を行ったモデルとCLIPを使って、通常の画像生成ワークフローを構築・実行します。

どちらのWeb UIでも、複数のLycorisモデルやLoRAモデルを組み合わせて使用することも可能です。ただし、多くのモデルを組み合わせすぎると、予期しない結果になったり、モデル間の干渉で画像が破綻したりする場合があるため、最初は少数のモデルから試すのが良いでしょう。

2. 独自のLycorisモデルの学習

Lycorisのもう一つの強力な活用方法は、自分だけのオリジナリティを学習させたモデルを作成することです。特定のキャラクター、自分の写真、好きな画風、特定の物体など、AIに覚えさせたい内容に合わせて独自のモデルを学習できます。

Lycorisモデルの学習には、Stable Diffusionモデルの学習に特化したツールを使用するのが一般的です。代表的なツールとして「kohya-ss GUI」があります。これは、LoRA, Dreambooth, そしてLyCORISライブラリを使った学習をサポートしており、GUI（グラフィカルユーザーインターフェース）で設定できるため、コマンドラインでの操作に不慣れな方でも比較的容易に学習を開始できます。AUTOMATIC1111 Web UIにも学習タブがありますが、kohya-ss GUIの方がより詳細な設定が可能で、Lycoris学習の定番ツールとなっています。

独自のLycorisモデル学習の基本的な流れは以下のようになります。

ステップ1: 学習データの準備

学習の成否は、ほぼ学習データの質と量、そしてキャプションの精度にかかっています。

画像収集: 学習させたい内容を示す画像を複数枚集めます。
- キャラクターなら様々な表情、ポーズ、衣装、アングルからの画像。
- スタイルならその画風で描かれた様々な被写体の画像。
- 物体なら様々な角度、照明条件での画像。
- 量は通常、数十枚から数百枚程度が目安ですが、学習内容やデータの均一性によって異なります。量が多ければ良いというわけではなく、多様性と均一性のバランスが重要です。
画像の前処理: 必要に応じて、画像のトリミング、リサイズ（Stable Diffusionが学習した解像度、例: 512×512, 768×768など）を行います。アスペクト比は元の画像を尊重しつつ、学習解像度に収まるように調整するのが一般的です。
キャプション付け: 各画像に対して、その画像に写っている内容を説明するテキスト（キャプション）を付けます。
- トリガーワード: 学習させたい「概念」（例: 特定のキャラクター名、スタイル名など）を一意に識別するための特別な単語やフレーズを決めます。このトリガーワードをキャプションに含めることで、AIはそのワードと学習内容を結びつけて記憶します。
- 詳細キャプション: トリガーワードに加えて、画像に写っている具体的な要素（服装、髪色、ポーズ、表情、背景、画風の特徴など）を詳しく記述します。BLIPやWD14 Taggerのような自動キャプションツールを利用し、手動で修正・追記するのが効率的です。キャプションの精度は学習結果に大きく影響します。

準備した画像とキャプションは、学習ツールが読み込める形式（例: 画像ファイル群と、それぞれに対応するテキストファイル群）でフォルダに整理します。

ステップ2: 学習ツールの設定

kohya-ss GUIなどを起動し、LyCORIS学習のための設定を行います。設定項目は多岐にわたりますが、主要なものを挙げます。

学習の種類: 「LyCORIS」を選択します。使用したいLyCORIS手法（LierLaなど）を選択できる場合もあります。
モデル設定: ベースとなるStable Diffusionモデルのパスを指定します。
データセット設定: 準備した学習データ（画像とキャプション）のフォルダパス、繰り返し回数（学習データの各画像を何回学習に使うか）、解像度などを設定します。
学習パラメータ設定: ここが最も重要で、結果を左右する部分です。
- ネットワークランク（Network Rank / dim）: LyCORISアダプターの低ランク近似におけるランク r の値を指定します。値が大きいほど表現力は増す可能性がありますが、ファイルサイズは大きくなり、過学習のリスクも高まります。通常は 32, 64, 128 などが試されます。
- ネットワークアルファ（Network Alpha / alpha）: 学習率のスケールを調整するパラメータです。通常、ランクと同じか半分程度の値を設定します。ランクとアルファのバランスが学習結果に影響します。
- 学習率（Learning Rate）: 学習の進み具合を調整する重要なパラメータです。高すぎると学習が不安定になり、低すぎると学習が進みません。Optimizer（AdamW, Lionなど）によって適切な値が異なります。線形層とCNN層で異なる学習率を設定できる手法もあります。
- エポック数（Epochs）: 学習データセット全体を何回繰り返して学習させるかを指定します。少なすぎると学習不足、多すぎると過学習になります。
- バッチサイズ（Batch Size）: 一度に学習に使う画像の枚数です。VRAM容量によって設定できる上限が決まります。
- Optimizer: 学習アルゴリズムを選択します。AdamW, Lionなどがよく使われます。
- その他の設定: ネットワーク構造の指定（どの層にアダプターを適用するかなど）、正則化、スケジューラーなど、さらに詳細な設定項目があります。

これらのパラメータは、学習させたい内容、データセットのサイズ、使用するGPUの種類などによって最適な値が異なります。最初は他の人が成功した設定例などを参考にしつつ、試行錯誤を重ねて調整していく必要があります。

ステップ3: 学習の実行と結果の評価

設定が完了したら、学習を開始します。GPUのリソースによりますが、Lycoris学習はフルファインチューニングに比べて短時間で完了します。

学習の進行中や完了後に、学習結果を評価します。

生成テスト: 学習途中のモデルや最終モデルを使って、実際に画像を生成してみます。トリガーワードや詳細キャプションを使って、意図した通りに学習内容が反映されているかを確認します。
過学習の確認: エポック数を増やしすぎると、学習データには非常に近い画像が生成できるものの、新しいプロンプトや組み合わせに対しては不自然な画像になったり、学習データ以外の要素が完全に失われたりする「過学習」が発生します。これを防ぐために、学習中に定期的に画像を生成して確認したり、学習の進行度を示すグラフ（Loss値など）を参考にしたりします。

学習結果に満足いくまで、パラメータ設定やデータセットの見直し、追加学習などを行います。納得のいくモデルが完成したら、.safetensors ファイルとして保存し、配布したり自分で利用したりできます。

独自のLycorisモデル学習は、試行錯誤が必要な奥深いプロセスですが、自分だけの表現をAIで実現できるという大きな魅力があります。kohya-ss GUIのようなツールは、そのハードルを下げてくれる強力な味方です。

Lycorisと他の拡張機能/技術との比較

画像生成AIの追加学習や表現力向上には、Lycoris以外にも様々な技術や拡張機能が存在します。それぞれの特徴を理解し、Lycorisと比較することで、用途に応じた最適な技術の選択や、異なる技術の組み合わせ方を考えることができます。

1. フルファインチューニング（Full Fine-tuning）

概要: 基盤モデルの全てのパラメータを、特定のデータセットで再学習させる手法。
メリット: 理論上、基盤モデルが持ちうる最高の表現力を引き出せる可能性があり、非常に高い精度で特定のスタイルや被写体を再現できます。モデル全体が学習されるため、学習内容がモデル全体に深く浸透します。
デメリット: 莫大な計算リソースと学習時間が必要。学習後のモデルファイルサイズが非常に大きい（数GB〜）。学習データセットに強く依存し、汎用性が失われやすい（学習データセットにない画像を生成しにくくなる）。学習コストが高く、試行錯誤が難しい。
Lycorisとの比較: Lycorisは、フルファインチューニングのデメリット（コスト、サイズ、汎用性）を克服するために生まれた技術です。ファイルサイズは圧倒的に小さく、学習コストも低く、異なる基盤モデルとの組み合わせも容易です。表現力においては、フルファインチューニングが最も高いポテンシャルを持つ一方、LycorisはLoRAよりは高く、フルファインチューニングに迫る、あるいは特定の表現においてはフルファインチューニングよりもコントロールしやすい場合もあります。しかし、モデル全体を根幹から変えるような大きなスタイルの変更などでは、フルファインチューニングが有利な場面もあります。

2. LoRA（Low-Rank Adaptation）

概要: Transformer層の線形変換に低ランクアダプターを適用する手法。
メリット: 学習効率が高く、ファイルサイズが非常に小さい（数十MB）。学習ツールも整備されており、個人でも手軽に学習・利用できる。汎用性が比較的高い。
デメリット: 主にTransformer層に焦点が当たっているため、テクスチャ、ディテール、複雑な構図といったCNN層が担う部分の表現力に限界がある。複雑なスタイルや複数の要素の学習が難しい場合がある。
Lycorisとの比較: LycorisはLoRAの発展形と言えます。ファイルサイズや学習効率の良さはLoRAと共通していますが、Lycoris（特にLierLa）はCNN層にもアダプターを適用できる点で、表現力、特にスタイルやテクスチャの再現性においてLoRAを上回る強みがあります。LoRAでうまく学習できなかった内容でも、Lycorisなら高品質に学習できる可能性があります。現状、多くのユーザーにとってLoRAは手軽な選択肢ですが、より高品質な結果を求める場合はLycorisを検討する価値は十分にあります。

3. Dreambooth

概要: 特定の被写体（人物、ペット、物体など）を基盤モデルに覚えさせることに特化したファインチューニング手法。少ない画像枚数で高い精度で特定の被写体を再現できる。学習結果は通常、モデルファイル（数GB）として保存されるか、LoRA形式で保存されることもある。
メリット: 特定の被写体の再現性に非常に優れている。数枚〜数十枚の画像で学習可能。
デメリット: 学習コストはフルファインチューニングほどではないが、LoRA/Lycorisよりは高い。学習後のモデルファイルサイズが大きい（LoRA形式でない場合）。汎用性が失われやすい。スタイル学習には不向き。
Lycorisとの比較: Dreamboothは特定の被写体学習に特化しているのに対し、Lycorisはスタイル、キャラクター、アイテム、構図など幅広い内容の学習に適しています。ファイルサイズもLycorisの方が圧倒的に小さいです。人物など特定の被写体を覚えさせたい場合はDreamboothが強力ですが、多様なスタイルや架空のキャラクターなどを学習させたい場合はLycorisが適しています。Dreamboothで学習した特定の被写体モデルと、Lycorisで学習した特定のスタイルモデルを組み合わせて使用することも可能です。

4. ControlNet

概要: 入力画像（線画、深度マップ、姿勢情報など）に基づいて、生成画像の構図や姿勢、形状を厳密に制御する拡張機能。モデル自体の表現力を変えるのではなく、生成プロセスに外部から制約を与える技術。
メリット: 生成画像の構図やポーズを precise にコントロールできる。様々な入力タイプに対応している。基盤モデルや他の拡張機能（LoRA, Lycorisなど）と組み合わせて使用できる。
デメリット: スタイルや特定の被写体を学習・再現する機能はない。あくまで「制御」のためのツール。
Lycorisとの関係: LycorisとControlNetは役割が異なります。Lycorisは「何を生成できるか」というモデルの表現力を拡張するのに対し、ControlNetは「どのように生成するか」という生成プロセスを制御します。これらは対立する技術ではなく、互いに補完し合う関係にあります。例えば、Lycorisで学習した特定のキャラクターとスタイルを使いつつ、ControlNetでキャラクターのポーズや背景の構図を制御することで、より意図通りの高品質な画像を生成できます。多くの画像生成AIワークフローにおいて、LoRA/LycorisとControlNetは併用されることが一般的です。

5. Textual Inversion (TI) / Embeddings

概要: 特定の単語やフレーズ（トークン）に、学習データセットから抽出した視覚的な特徴を関連付ける手法。数枚の画像で学習可能で、ファイルサイズは非常に小さい（数十KB程度）。
メリット: ファイルサイズが極めて小さい。数枚の画像で学習できる。
デメリット: LoRAやLycorisに比べて表現力が限定的。特定のオブジェクトやスタイルを「概念」として覚えさせることは得意だが、複雑な構造やディテール、複数の要素の組み合わせ学習には不向き。
Lycorisとの比較: LycorisはTextual Inversionよりもはるかに高い表現力を持っています。Textual Inversionは、特定の物体や単純なスタイルの「存在」をプロンプトに組み込む程度に使うのが適していますが、Lycorisはより複雑なスタイルやキャラクター、シーン全体の雰囲気を学習・再現できます。ファイルサイズはTextual Inversionの方が小さいですが、Lycorisも十分に小さいです。

このように、画像生成AIの追加学習や表現力向上には、様々な技術が存在し、それぞれ得意なことと苦手なことがあります。Lycorisは、これらの技術の中で、「LoRAの手軽さ・ファイルサイズの効率性を維持しつつ、LoRAやTextual Inversionでは難しかった複雑な表現（特にスタイル、テクスチャ、構図）を高精度に学習できる」という、独自のポジションを確立しています。フルファインチューニングほどのリソースはかけられないが、LoRA以上の表現力を求めるユーザーにとって、Lycorisは非常に魅力的な選択肢となります。また、他の技術（Dreambooth、ControlNetなど）と組み合わせて、さらに高度な画像生成を目指す上でも、Lycorisは重要なピースとなり得ます。

Lycorisの課題と今後の展望

Lycorisは画像生成AIの追加学習において大きな進歩をもたらしましたが、まだ発展途上の技術であり、いくつかの課題も存在します。同時に、その将来的な可能性は非常に大きいと言えます。

Lycorisの課題

学習設定の複雑さ: LoRAと比較すると、Lycoris（LyCORISライブラリ）はアダプターの適用範囲や手法の選択肢が多いため、学習パラメータの設定がより複雑になる傾向があります。特にネットワークランク、アルファ、学習率、そしてどの層にアダプターを適用するかといった設定は、学習結果に大きく影響し、最適な値を見つけるには試行錯誤や経験が必要です。初心者にとっては、LoRAよりも学習のハードルがやや高いと感じられるかもしれません。
技術的な変動: LyCORISライブラリ自体も継続的に開発が進められており、新しい手法が追加されたり、既存の手法の最適化が行われたりしています。また、Web UIや学習ツールのLycoris対応も進化しています。これにより、過去の学習設定が最新バージョンでは最適でなくなったり、特定のバージョン間で互換性の問題が発生したりする可能性があります。常に最新の情報やツールの使い方にキャッチアップしていく必要があります。
汎用性の限界: Lycorisは基盤モデルに追加学習を行う技術であり、学習データセットに強く依存します。学習データセットに存在しない、あるいは少ない要素を含む画像を生成する際には、基盤モデル本来の汎用性が優先されるため、学習内容が十分に反映されないことがあります。また、過学習させたモデルは、学習データセットから少し外れるだけで不自然な結果になるリスクも伴います。
他の技術との連携の最適化: LycorisとControlNetなど、他の拡張機能との組み合わせは非常に強力ですが、それぞれの手法の適用強度や設定のバランスを取るのが難しい場合があります。どの拡張機能をどれくらいの強度で適用すれば最も良い結果が得られるかは、経験と試行錯誤に依存することが多いです。

これらの課題は、技術の成熟やコミュニティでのノウハウ蓄積によって徐々に解決されていく可能性があります。特に学習設定の複雑さについては、より使いやすいGUIツールの開発や、効果的な設定例の共有が進むことで、多くのユーザーにとって扱いやすくなることが期待されます。

今後の展望

Lycoris（および低ランク学習全般）の技術は、今後もさらに発展していくと考えられます。

さらなる表現力の向上: 現在のLycoris（LierLa）はCNN層へのアダプター適用を可能にしたことが大きな進歩ですが、モデルの他の層や、異なる種類のアダプター構造を探索することで、さらに表現力を向上させる研究が進む可能性があります。例えば、特定の周波数帯域の特徴に特化したアダプターや、画像全体の構造をより捉えるアダプターなどが開発されるかもしれません。
学習効率の改善: より少ないデータや計算リソースで同等以上の結果を得られるように、学習アルゴリズムやパラメータ設定の最適化が進むでしょう。自動パラメータ調整機能などがツールに組み込まれる可能性もあります。
新しい応用分野への展開: 現在、Lycorisは主に静止画像の生成モデル（Stable Diffusionなど）に適用されていますが、将来的には動画生成AIや3D生成AIといった他の生成AIモデルへの応用も進むと考えられます。動画のスタイル変換や特定のキャラクターのアニメーション生成など、新たなクリエイティブな可能性が開かれるでしょう。
基盤モデルとの統合: 将来的には、低ランク学習の考え方が基盤モデルの設計段階から組み込まれる可能性も考えられます。これにより、最初から効率的な追加学習や拡張が容易なモデルアーキテクチャが開発されるかもしれません。
標準化とエコシステムの発展: Lycorisが広く普及するにつれて、モデルのファイル形式や学習設定、利用方法などの標準化が進み、ユーザーがよりスムーズにモデルの共有や利用を行えるようになるでしょう。また、Lycorisをサポートするツールやサービスのエコシステムもさらに発展していくと考えられます。

Lycorisは、LoRAが開拓した「個人による手軽なモデル拡張」という流れを加速させ、その表現力を一段階引き上げた技術です。今後も生成AIの進化と共に、Lycorisやそれに類する低ランク学習技術は、私たちの創造性をサポートする上でますます重要な役割を果たしていくでしょう。

著作権・倫理的な問題への配慮

最後に、Lycorisを含む生成AI技術全般に共通する重要な点として、著作権と倫理的な問題に触れておきます。

学習データの著作権: 他のアーティストの作品など、著作権で保護された画像を無断で学習データとして使用することは、法的な問題を引き起こす可能性があります。学習データの収集には、著作権や利用規約を遵守することが不可欠です。個人的な利用であっても、二次創作ガイドラインなどを確認し、配慮することが求められます。
生成物の著作権: 生成された画像の著作権は、使用した基盤モデル、追加学習モデル（Lycorisなど）、そしてプロンプトや設定を考案したユーザーなど、複数の要素に関連する複雑な問題です。特に商用利用を考える場合は、各モデルのライセンスや法的な専門家の意見を確認することが重要です。
倫理的な利用: 生成AIは、差別的な表現、暴力的な表現、プライバシー侵害にあたるような表現など、倫理的に問題のある画像を生成する可能性も秘めています。Lycorisを含む生成AI技術を利用する際には、これらの倫理的な側面を十分に考慮し、責任ある利用を心がける必要があります。特定の個人を識別できる画像を同意なく学習データとして使用したり、生成したりすることは、プライバシー侵害のリスクが高い行為です。

Lycorisのような強力な技術は、創造性を拡大する一方で、悪用される可能性もゼロではありません。技術の利用者一人ひとりが、これらの問題に対する意識を持ち、ガイドラインや法規制を遵守し、倫理的な判断に基づいて行動することが、健全な生成AIコミュニティの発展には不可欠です。

まとめ

本記事では、「Lycoris（リコリス）」と呼ばれる、Stable Diffusionをはじめとする画像生成AIのための話題の生成AI拡張機能について、約5000語を費やして徹底的に解説してきました。

Lycorisは、単一の技術ではなく、Stability AIのLyCORISライブラリが実装するLierLaなどの「低ランク学習」手法群を指すことが一般的です。LoRAがTransformer層に限定されていた低ランク学習を、特に画像生成モデルのCNN層にも効果的に適用できるようにした点が、Lycoris（LierLa）の最も重要な技術革新です。

Lycorisが注目される理由は、その優れた表現力にあります。LoRAでは難しかった複雑なスタイル、緻密なテクスチャ、特定の構図、複数の要素の組み合わせ学習などを、より高品質かつ安定して実現できます。これは、畳み込み層へのアダプター適用が可能になったことによる恩恵が大きいと言えます。

また、LycorisはLoRAと同様に、ファイルサイズが非常に小さく（数十MB〜数百MB）、学習効率も優れています。これにより、個人でも手軽に多様なモデルをダウンロードして利用したり、独自のモデルを学習して共有したりすることが可能になりました。AUTOMATIC1111やComfyUIなどの主要なWeb UIや、kohya-ss GUIのような学習ツールがLycorisをサポートしているため、導入のハードルも比較的低くなっています。

Lycorisは、フルファインチューニングに比べて圧倒的に低コストで、LoRAよりも高い表現力を提供するという、独自の強力な立ち位置を築いています。また、ControlNetなどの他の拡張機能とも組み合わせて使用することで、さらに高度な画像生成ワークフローを構築できます。

もちろん、Lycorisにも学習設定の複雑さや技術的な変動といった課題はありますが、コミュニティの活発な活動や継続的な技術開発により、これらの課題は克服されつつあります。将来的には、さらなる表現力向上、学習効率改善、そして動画生成や3D生成といった新しい応用分野への展開も期待されています。

Lycorisは、画像生成AIをよりパーソナルに、より豊かな表現を可能にする画期的な技術です。LoRAを使っている方、あるいはこれから画像生成AIの追加学習を始めたいと考えている方は、ぜひLycorisに挑戦してみてください。その高い表現力は、あなたの創造的な可能性を大きく広げてくれるはずです。

ただし、生成AI技術を利用する際には、常に著作権や倫理的な問題に配慮し、責任ある利用を心がけることが重要です。

この記事が、Lycorisについて深く理解し、あなたの画像生成AIライフをさらに豊かにするための一助となれば幸いです。生成AIの進化は止まりません。常に新しい技術に目を向け、その可能性を探求していくことで、きっと驚くようなクリエイティブな世界が開かれるでしょう。