【2025核心参数】Stable Diffusion生成优化全攻略：快捷键+迭代步数+采样方法

最新推荐文章于 2025-05-09 22:24:37 发布

AIGC零基础入门小白

最新推荐文章于 2025-05-09 22:24:37 发布

阅读量683

点赞数 13

文章标签： stable diffusion AI作画人工智能 AIGC

本文链接：https://blog.csdn.net/2301_80239908/article/details/147784061

版权

一、生成快捷键

生成按钮下的快捷键一览

在这里插入图片描述

1、从提示词或上次生成的图片中读取生成参数

条件：提示词输入框空的时候，才起作用

2、从提示词或上次生成的图片中读取生成参数（弹出框输入）

不知道它和直接在输入框输入的差别

3、清空提示词内容

4、显示和隐藏扩展模型

包含的模型：嵌入式、Hypernetworks、模型、Lora

5、将所选预选样式插入到当前提示词之后

条件：先执行6

作用：将7的当前选择项的提示词填入

6、将当前提示词存储为预设样式

过程：保存提示词到7（自定义一个简称到这段提示词）

7、预设样式列表选择

二、迭代步数（采样步数）

参考文档：https://getimg.ai/guides/interactive-guide-to-stable-diffusion-steps-parameter

首先，stable diffusion的相关原理。可以把模型理解为一个迭代过程——从文本输入生成随机噪声开始的重复循环，每一步都会消除一些噪声，并随着迭代步数的增加会产生更高质量的图像。而当完成所需的步骤数量时，重复就会停止。

一般来说，大约25个采样步骤（20个也可以）通常足以获得高质量图像，使用更多的步骤可能会产生略有不同的图片，但不一定有更好的质量。此外，当使用的步骤越多，生成图像所需的时间就越多。不过在大多数情况下，额外的等待时间是不值得的。

例如，一个“太空中的小狗”的展示，迭代步数从1-100，gif图片较大可能需要一定的等待时间），迭代步数4-7时，狗从斑点中出现。然后在生成大约20-25个步骤后，它就达到了较高质量。超过25个步骤后不会造成质量的显著差异：狗的形状反复变化，但没有产生更多细节。

三、不同采样方法的区别

采样方法一览

在这里插入图片描述

为了生成图像，首先，在潜在空间中生成完全随机的图像，然后噪声预测器估计图像的噪声，再从图像中减去预测的噪声。这个过程重复十几次，最后便会得到一个干净的图像。

这个去噪过程称为采样，因为稳定扩散在每个步骤中都会生成一个新的样本图像。抽样所采用的方法称为抽样器或抽样方法。

1、采样方式介绍：

从目前这些采样方法来看，主要分为几个类型：Euler、LMS、Heun、DPM、DDIM、PLMS、UniPC，下面我们来详细解释一下：

参考文档：https://stable-diffusion-art.com/samplers/https://www.reddit.com/r/StableDiffusion/comments/zgu6wd/comment/izkhkxc/?utm_source=share&utm_medium=web2x&context=3

Euler：是最简单的采样器。它在数学上与求解常微分方程的欧拉方法相同。它是完全确定性的，这意味着采样期间不会添加随机噪声。它的一般步骤为：

步骤1：噪声预测器根据潜在图像估计噪声图像。

步骤2：根据噪声表计算需要减去的噪声量。这就是当前步骤和下一步之间的噪声差异。

步骤3：将潜像减去归一化噪声图像（来自步骤1）乘以要减少的噪声量（来自步骤2）。

重复步骤1至3，直到噪声计划结束。

LMS：与欧拉方法非常相似，线性多步法(LMS)是求解常微分方程的标准方法。它的目的是通过巧妙地使用先前时间步骤的值来提高准确性。

Heun：是对Euler方法更精确的改进。但它每一步需要预测噪声两次，因此比欧拉慢两倍。

DPM：DPM（扩散概率模型求解器）和DPM++（对DPM的改进）是为2022年发布的扩散模型设计的新采样器，它们代表了一系列具有相似架构的求解器。DPM自适应可能会很慢，因为它不能保证在采样步骤数内完成。

DPM2：DPM和DPM2类似，只不过DPM2的DPM-Solver-2算法，求解器精确到二阶。（更准确但速度更慢，文献：https://arxiv.org/abs/2206.00927）。

DDIM和PLMS：DDIM（去噪扩散隐式模型）和PLMS（伪线性多步方法）是原始稳定扩散v1附带的采样器。DDIM是最早为扩散模型设计的采样器之一。PLMS是DDIM更新、更快的替代方案。它们通常被认为已经过时并且不再广泛使用。

UniPC（Unified Predictor Corrector方法）是2023年新开发的扩散采样器，由两部分组成：统一预测器(UniP)、统一校正器(UniC)它支持任何求解器和噪声预测器。

2、采样方式后缀的意思：

a：比如Euler和Euler a，这个加上的a值的是ancestral samplers（也有人称之为祖先采样器）。Ancestral samplers在每个采样步骤向图像添加噪声，并且作为随机采样器，使得采样结果具有一定的随机性。

Karras：指使用Karras噪声表。一般来讲，噪声预测器会根据潜在图像估计噪声图像，并根据噪声表计算需要减去的噪声量。第一步的噪音最大，然后噪音逐渐减小，并在最后一步降至零。（改变采样步数会改变噪声表，并使得噪音时间表变得更加平滑。采样步数越多，任何两个步之间的噪声降低越小。这有助于减少错误。）

下面这张图展示了原版噪声表（stable diffusion就是一个消去噪声，让图片更明晰的过程）：

在这里插入图片描述

常规噪声表图（来源：https://stable-diffusion-art.com/samplers/）

至于Karras噪声表，则是一个比原版更好的去噪方式。需要注意的是带有“Karras”标签的采样器并不是由Karras制作的，而是使用了来自Karras论文的程序和灵感（https://arxiv.org/abs/2206.00364）。如果仔细观察，你会发现噪声的步长在接近末尾时更小，他们发现这提高了图像质量。以下是默认噪声表和Karras噪声表之间的比较：

在这里插入图片描述

默认噪声表和Karras噪声表之间的比较图（来源：https://stable-diffusion-art.com/samplers/）

DPMFast：是具有统一噪声表的DPM求解器的变体，因此它的速度是DPM2的两倍。（参见：https://arxiv.org/abs/2206.00927）

DPMAdaptive：是具有自适应噪声调度的一阶DPM求解器。它会忽略你设置的步数并自适应地确定自己的步数。（参见：https://arxiv.org/abs/2206.00927）

其他：它们的后缀名称都与其算法相关，如DPM++2M【DPM-Solver++(2M)】；DPM++SDE【DPM-Solver++(stochastic)】；DPM++2S【a-Ancestral sampling with DPM-Solver++(2S) second-order steps】。

3、采样方式比较：

从速度上来看：

在这里插入图片描述