Stable Diffusion Web UI基础入门之常用参数

在之前的文章中我们介绍了，Stable Diffusion的基础知识和使用工具———Stable Diffusion AI入门介绍。这篇文档带大家了解一下Stable Diffusion Web UI的常用参数，在日常绘图中如何使用。

我们知道在Stable Diffusion Web UI(文中Web UI代替)中绘图，基本的使用方法很简单，只需选择合适的模型，然后输入正向提示词、反向提示词即可。不过，如果要得到更细致的结果，就需要对各个参数的设置都有所了解。下面我们就来介绍一下常用的参数，如下图Web UI中的配置：

Sampling Method(采样方法)

为了生成图像，Stable Diffusion会先在潜空间中生成一张随机的噪声图，然后再对这张图片多次去噪，最后得到一张正常的图片，如下图所示。这个去噪的过程被称为采样(sampling)，而采样方法(sampler/sampling method)则是这个过程中使用的方法。

可选的参数有很多种，

经典的ODE求解器(Old-School ODE solvers)

常微分方程的全称是Ordinary Differential Equation，‌简记为ODE。

Euler：欧拉采样方法。
Henu：改进的或修改过的欧拉方法（即，显式的梯形规则）。
LMS：线性多步法，与欧拉采样器速度相仿，但是更准确。

Euler、Henu、LMS采样方法比较简单，是经典的常微分方程(ODE)求解器。其中Euler是最简单的求解器，Henu比Euler更准确但是也更慢，LMS（Linear Multi-Step method，线性多步法）速度与Euler相同，但LMS号称更准确。

祖先采样方法(Ancestral samplers)

有一些取样器的名字中带有一个字母“a”​，这表明它们是祖先采样方法(ancestral sampler)。

祖先采样方法属于随机采样方法，它们会在每个采样步骤中添加随机噪声，使结果具有一定的随机性，从而探索不同的可能性。
需要说明的是，还有一些其他方法也是随机采样，尽管它们的名字中没有“a”​。

使用祖先采样方法可以通过较少的步骤产生多样化的结果，但缺点是图像不会收敛，随着迭代步数的增加，图像将不断变化，生成的图像可能更嘈杂且不真实。而如果使用Euler等收敛采样方法，一定步数之后图像的变化会逐渐变小，直到趋于稳定。

相关的采样方法如下：
● Euler a。
● DPM2 a。
● DPM++ 2S a。
● DPM++ 2S a Karra。

Karras版本方法

带有“Karras”字样的采样方法使用了泰罗·卡拉斯(Tero Karras)等人的论文中推荐的噪声规则，与默认的规则相比，Karras的规则在开始时噪声较多，在后期噪声较少，据他们研究，这样的规则可以提高图像质量。

相关的采样方法如下：
● LMS Karras。
● DPM2 Karras。
● DPM2 a Karras。
● DPM++ 2S a Karras。
● DPM++ 2M Karras。
● DPM++ SDE Karras

DDIM和PLMS

DDIM和PLMSDDIM（Denoising Diffusion Implicit Model，去噪扩散隐式模型）和PLMS（Pseudo Linear Multi-Stepmethod，伪线性多步法）是第一版Stable Diffusion中就附带的采样方法，其中DDIM是最早为扩散模型设计的采样方法之一，PLMS则比DDIM更新、更快。

当前这两种采样方法都不再广泛使用。

DPM系列

DPM（