AI 绘画Stable Diffusion 研究（八）sd采样方法详解_sd采样方法有什么区别

大家好，我是风雨无阻。

本期内容：

• 什么是采样方法 ？
• 采样方法的分类有哪些？
• 怎么选择合适的采样方法？

在 Stable Diffusion中目前已经有很多采样方法 ，不同的采样方法，出图效果不同。这里将详细介绍这些采样方法，以及在使用 Stable Diffusion 的过程中，怎么选择合适的采样方法。

一、什么是采样方法 ？

在了解采样之前，我们得先了解 一下Stable Diffusion webui 是如何工作的，建议看看我之前的AI 绘画Stable Diffusion 研究（七）sd webui如何工作这篇文章。

我们知道 sd webui 生成图像，大致会经过以下过程：

1、为了生成图像， Stable Diffusion 会在潜在空间中生成一个完全随机的图像

2、噪声预测器会估算图像的噪声

3、噪声预测器从图像中减去预测的噪声

4、这个过程反复重复 N 次以后，会得到一个干净准确的图像

这个去噪的过程，就被称为采样。

采样中使用的方法被称为 Sampling method （采样方法或者是采样器）。

采样步骤 Sampling steps 有什么影响？

采样步骤，那么每个步骤降噪就越小 ，这样可以减少采样过程中的截断误差。

二、采样方法的分类

为了便于使用和理解，我们可以将这些采样方法进行分类：

（1）、经典ODE求解器

包含：Euler \Heun \LMS。

Euler采样器：欧拉采样方法。
Heun采样器：欧拉的一个更准确但是较慢的版本。
LMS采样器：线性多步法，与欧拉采样器速度相仿，但是更准确。

（2）、祖先采样器 （名称中有一个字母 a 的）

包含 :Euler a \ DPM2 a \DPM++2S a \DPM2 a Karras \DPM++2S a Karras

这些采样器会在每个采样步骤中，向图像添加噪声，因此具有一定的随机性。

注意：部分采样器的名字中虽然没有明确标识属于祖先采样器，但也属于随机采样器。

（3）、DDIM、PLMS（已过时，不再使用）

• DDIM ：去噪扩散隐式模型， 是为扩散模型设计的第一个采样器。
• PLMS：伪线性多步方法， 则是DDIM 更快速的替代品 。

当前这两种采样方法都不再广泛使用。

（4）、DPM 和 DPM++ 系列

DPM 和 DPM++ 体系结构的求解器系列， 是2022年发布的用于扩散模型的新采样器 ，它们具有相似的结构。

DPM的缺点：由于DPM会自适应调整步长，不能保证在约定的采样步骤内完成任务，整体速度可能会比较慢。

DPM的优点：对Tag的利用率较高，在使用时建议适当放大采样的步骤数以获得较好的效果。

DPM++ 是对DPM 的改进，采用二阶方法，其结果更准确，但是相应的也会更慢一些。

（5）、UniPC采样器

这UniPC采样器是2023年发布的新采样器，根据 ode 求解器中预测校正方法的启发，可在5-10步内实现高质量图像生成。

（6）、K-diffusion 采样器

当前常用的采样器中，除了DDIM、PLMS与UniPC之外的采样器均来自于k-diffusion， 通常这些采样器都带有 Karras 字样。

了解了以上采样器的分类，相信大家对选择采样器，已经可以缩小选择的范围了。

三、采样器方法详解

接下来我们根据 Stable Diffusion WebUI 中采样器的顺序，对每个采样器进行详细介绍。

1、Euler a

祖先采样器的一种 ， 类似于 Euler ，但在每个步骤中它会减去比“应该”更多的噪声。并添加一些随机噪声以匹配噪声计划。去噪图像取决于前面步骤中添加的特定噪声。

2、Euler

最简单的采样器，在采样过程中不添加随机噪声，通过噪声计划告诉采样器，每个步骤中应该有多少噪声。并使用欧拉方法减少恰当数量的噪声。以匹配噪声计划，直到最后一步为0 为止。

3、LMS 解决常微分方程的标准方法

LMS采样速度与Euler 相同 。

4、Heum

Heum 是对Euler 更精确的改进，但是需要在每个步骤中预测两次噪声。

因此速度比Euler 慢2倍。

5、DPM2

dpm2 是Katherine Crowson在K-diffusion项目中自创的 ，灵感来源Karras论文中的DPM-Solver-2和算法2 ，受采样器设置页面中的 sigma参数影响。

6、DPM2 a

祖先采样器的一种，使用 DPM2 方法 ，受采样器设置中的ETA参数影响 。

7、DPM++2S a

随机采样器一种

在K-diffusion实现的2阶单步并受采样器设置中的ETA参数影响。

8、 DPM++2M

在Kdiffusion实现的2阶多步采样方法，在Hagging face Diffusers中被称作已知最强调度器。在速度和质量的平衡最好。这个代表m的多步比上面的s单步，在采样时会参考更多步，而非当前步，所以能提供更好的质量，但是也更复杂。

9、 DPM++SDE

DPM++的SDE版本，DPM++ 原本是0DE 求解器及常微分方程在Ktifusion实现的版本，代码中调用了随机采样方法，所以受采样器设置中的ETA参数影响。

10、 DPM fast

在Ktifusion实现的固定步长采样方法 ，用于steps小于20的情况。受采样器设置中的ETA参数影响。

11、 DPM adaptive

在K-diffusion 实现的自适应步长采样方法，DPM-Solver-12 和23，受采样器设置中的ETA参数影响。

12、带有Karras字样的6种采样器

LMS karras 、DPM2 karras 、DPM2 a karras 、DPM++ 2S a karras 、DPM++2M karras、DPM++ SDE karras 、DPM++2M SDE karras

这些含有Karras名字的采样方法 都是相当于 Karras噪声时间表的版本。

13 、DDIM

官方采样器之一，使用去噪后的图像来近似最终图像，并使用噪声预测器估计的噪声，来近似图像方向。

14、PLMS

官方采样器之一，PLMS则是DDIM的新版且更快速的替代品。

15、unipc

最新添加的采样器，应该是目前最快最新的采样方法，10步内实现高质量图像。

四、怎么选择合适的采样方法？

以下是我的建议：

• 如果想快速生成质量不错的图片，建议选择 DPM++ 2M Karras (20 -30步) 、UNIPC （15-25步）
• 如果想要高质量的图，不关心重现性，建议选择 DPM++ SDE Karras （10-15步 较慢) ，DDIM(10-15步 较快)
• 如果想要简单的图，建议选择 Euler, Heun(可以减少步骤以节省时间)
• 如果想要稳定可重现的图像，请避免选择任何祖先采样器（名字里面带a或SDE）
• 相反，如果想要每次生成不一样的图像，可以选择不收敛的祖先采样器（名字里面带a或SDE）