Dreambooth vs LoRA vs Textual Inversion：微调方式怎么选

在AI绘画领域，“微调”是让模型学会新概念、新风格的核心技术手段。面对Dreambooth、LoRA和Textual Inversion这三种主流方法，很多初学者甚至进阶用户都会陷入选择困难：到底该用哪种？它们有什么区别？我的硬件条件允许哪种？本文将从原理、资源消耗、效果、适用场景四个维度进行深度对比，帮你建立清晰的决策框架。

一、为什么要微调？

Stable Diffusion等基础模型虽然强大，但它们是基于大规模通用数据集训练的，并不认识特定的人物、物体或艺术风格。比如，你无法通过简单的提示词让SD生成“我家猫”或者“梵高风格的赛博朋克”。微调技术就是为了解决这个问题——让模型学会并记住你提供的特定概念。

三种主流微调方式各有侧重，理解它们的内在差异，是选择正确工具的第一步。

二、三种方法概述

2.1 Dreambooth

Dreambooth由Google Research在2022年提出，是一种“个性化文本到图像扩散模型”的方法。它通过在少量图片（通常5-30张）上微调整个扩散模型的权重，将新概念注入模型中。核心思想是使用一个稀有标识符（如“sks”）来代表新概念，并通过“先验保留损失”（Prior Preservation Loss）防止模型遗忘原有知识。

关键特点：全模型微调、需要大量显存、生成效果最优、保真度极高。

2.2 LoRA（Low-Rank Adaptation）

LoRA原本是大语言模型微调方法，后被引入扩散模型。它不修改原始模型权重，而是在模型的注意力层旁边插入可训练的低秩矩阵，只更新这些小型矩阵的参数。训练速度更快、显存消耗更低，且生成的LoRA