【StableDiffusion】采样方法对比优缺点及评估，采样器 & 调度器（目前已有的 采样器介绍与评估）

采样器 Sampler

采样方法 决定了 如何从 噪声 生成 图像 的过程，也就是去噪过程如何进行

· 包含 DPM 的采样方法（逆转扩散采样）

DPM → Diffusion Probabilistic Models（扩散概率模型）

DPM、DPM2

包含 DPM 的采样方法 是 逆转扩散采样，也是 DPM 第一代 的 采样方法。

而 DPM2 则是第二代 逆转扩散采样方法。

DPM++（DPMPP）

DPM++，又被称为 DPMPP，是 DPM2 的再升级版本。

· 包含 2M、3M 的采样方法（2 multi-step、3 …）

无论是二阶多步法，还是三阶多步法，它们都更好地提高了图片的精度和细节，

所以带有 M 的采样方法要比不带有的好。

2M 采样方法，所谓的 二阶多步法，指的是在采样过程中添加了“预测器”和“矫正器”

3M 采样方法，在 二阶多步 的基础上，再添加了一个“修整器”，用于修正预测信息和中间计算。

理论上来说，3M 要好于 2M，在细节和精度上（但注意，如果我们是生成动漫图片，那么太高的精度可能会带来相反的效果，需要根据模型和生成效果进行自行判断）

· 包含 a 的采样方法

“a”指的是 ancestral，也就是“祖先”

通过使用带有 ancestral（adj.）的采样方法，能够在 迭代 中 保持图片的原有特征和性质，

让图片不容易发生突变。

· 包含 SDE 的采样方法

SDE → Stochastic Differential Equations（随机 微分 方程）

包含 SDE 的采样方法就是添加了 随机微分方程 的采样方法，它们能够提升性能

· 包含 Heun 的采样方法（可独立 或 作为后缀使用）

Heun 没什么特殊的含义，但是这是个很重要的采样方法

能明显地 增加图像细节 并且提高质感 提升饱和度

· 包含 Restart 的采样方法

通过不断重启来迅速得到比较好的图像结果，是个速度派

· 包含 DDIM 的采样方法

DDIM 是极速流，是最快的采样方法，但是会牺牲质量

· PLMS、UniPc、LCM 采样方法

PLMS：垃圾

UniPc：强大，速度快，精度较高，稳定性强

LCM：专门配合 LCM 模型来使用的采样方法

调度器 Scheduler type

调度器的作用是 控制“如何”（以什么样的方式）减少噪声

Karras

最佳梯度下降法，效果稳定优秀

Uniform

均匀算法

古早的方法，匀速去除噪声，效果不太好

SGM Uniform

stochastic gradient markov uniform（随机梯度马尔可夫 均匀算法）

因为增加了 sgm，所以效果比 uniform 要好得多

Exponential

迅速去除大部分噪声，然后再精修

低步数 的 时候，可以快速完善图像

高步数 的 时候，可以精修图像（重要），效果在高步数体现

PolyExponential

和 Exponential 很像，速度比 Exponential 快，但效果不如。