TL;DR

이 모델은 Krea-2-Turbo 베이스에 적용되는 LoRA 형식의 스타일 레퍼런스 가중치로서 텍스트와 1~2장의 레퍼런스 이미지를 결합해 생성 결과의 스타일을 조정하는 목적이다. 학습은 AI Toolkit의 실험적 Krea2 reference image trainer와 turbo training adapter로 수천 쌍의 수작업 선별 스타일 페어를 사용해 진행되어 레퍼런스 기반 스타일 전이에 초점을 맞추었다. 추론은 ComfyUI 전용 노드나 diffusers의 커스텀 파이프라인을 통해 수행되며 safetensors 포맷의 LoRA 파일을 load_lora_weights로 결합해 사용한다. 이 구조는 베이스 모델을 변경하지 않고도 경량 가중치로 다양한 스타일을 빠르게 적용할 수 있지만 고해상도 추론 시에는 파이프라인의 메모리 오프로드 혹은 약 40GB 이상의 VRAM 고려가 필요하다.

핵심 포인트

• 이 LoRA는 Krea-2-Turbo 베이스에 특화된 스타일 레퍼런스 적응을 목표로 수천 쌍의 수작업 선별 페어로 학습되어 일반적인 범용 스타일 가중치보다 레퍼런스 일치도가 높을 가능성이 있다. 수작업 선별 데이터는 노이즈를 줄이고 명확한 스타일 대응을 학습시키는 데 기여했으며 결과적으로 레퍼런스 한두 장으로도 일관된 스타일을 재현하도록 돕는다. 이러한 데이터 투자와 학습 목적의 결합이 해당 LoRA의 핵심 차별점이다.
• 사용자 경험 차원에서 별도 트리거 워드가 필요 없고 이미지와 프롬프트만으로 동작하도록 ComfyUI용 전용 노드가 준비되어 있다는 점이 도입 장점을 만든다. GUI 환경에서 직관적으로 레퍼런스 기반 스타일을 적용할 수 있어 실무에서의 실험 속도를 높인다. 또한 diffusers용 커뮤니티 파이프라인을 함께 제공해 코드 기반 통합도 원활하게 지원된다.
• 가중치 배포는 safetensors 포맷의 LoRA 파일만으로 이루어져 베이스 모델 교체 없이 여러 스타일 가중치를 경량으로 적용할 수 있다. 이 방식은 다양한 스타일 변형을 빠르게 교체해 테스트할 수 있는 운영상의 유연성을 제공한다. 경량 가중치 형식은 저장·전송·로딩 측면에서 실용적 이점을 제공한다.
• 학습 데이터는 수천 쌍의 수작업 선별된 스타일 페어로 구성되어 있어 스타일 일관성 확보에 유리하다. 수작업 선별은 노이즈한 페어를 걸러내고 명확한 스타일 전이 시그널을 제공하는 데 기여했을 것이다. 이러한 데이터 준비는 레퍼런스 기반 스타일 전이 품질을 높이는 핵심 요소로 작용한다.