⏳ 一文读懂 ComfyUI 的调度器（Schedulers）：全系列解析与使用建议

⏳ 一文读懂 ComfyUI 的调度器（Schedulers）：全系列解析与使用建议

在 ComfyUI 中，调度器（Schedulers） 控制“扩散时间步（timesteps）”的分布策略，即在多少步数中如何安排每一步的 t 值，从而影响每一步图像去噪的方式和节奏。

调度器并不会直接影响图像质量，但会改变去噪过程的“节奏”，从而间接影响生成效果（风格、细节、速度）。

---

🔁 1. normal

概述：默认调度器，基础线性分布。

• 时间步分布：线性递减。
• 特点：稳定可靠，是许多采样器的默认选择。
• 适用场景：通用型图像生成任务。

---

📈 2. karras

概述：由 Karras 等人在 NVIDIA 研究中提出，非线性分布，更集中于后期步骤。

• 时间步分布：曲线型（log-like）分布，前期跨度大，后期精细。
• 优点：可以提升图像细节，更适合高质量写实图像。
• 适用场景：高分辨率、写实图风格生成。
• 推荐搭配：dpmpp_2m_sde 等 DPM++ 类采样器。

---

📉 3. exponential

概述：指数衰减型时间步。

• 时间步分布：前期集中，后期快速减少。
• 特点：适合快速粗略地确定图像结构。
• 适用场景：实验性质任务，不常用。

---

🟰 4. sgm_uniform

概述：用于一致性模型（SGM，score-based generative models）。

• 时间步分布：均匀分布。
• 适用场景：配合一些 score-based 或 SDE 型采样器（如 dpmpp_sde）。
• 特点：实现一致性采样时间步，偏实验性。

---

🔹 5. simple

概述：类似于 normal 的基础调度器，但逻辑更简洁。

• 用途：调试或简单模型下快速迭代。
• 适用场景：非正式图像测试。

---

🟨 6. ddim_uniform

概述：专门为 DDIM（Denoising Diffusion Implicit Models）采样器设计的均匀调度器。

• 特点：每一步时间间隔相等。
• 适用场景：使用 ddim 采样器时的推荐调度器。
• 优点：采样平滑，可控性强。

---

🧪 7. beta

概述：使用 β 分布生成时间步的调度器。

• 用途：实验性或理论研究。
• 特点：非线性，具体行为依赖于 beta 分布参数。
• 适用场景：进阶用户或模型开发者使用。

---

📊 8. linear_quadratic

概述：线性加二次项控制时间步分布。

• 时间步分布：早期线性，后期加速。
• 用途：让采样更加“前快后慢”，适合快速获取图像结构再逐步精化。

---

📉 9. kl_optimal

概述：KL 散度最优调度器（Kullback–Leibler Optimal Scheduler）。

• 背景：通过最小化 KL 散度得到的最优时间步分布。
• 优点：在理论上可以获得最优去噪路径。
• 适用场景：精度要求高的模型推理流程，但对普通用户不常见。

---

📌 总结建议

调度器名称	推荐用途	特点简述
normal	通用任务	线性递减，稳定
karras	写实图像	后期细节处理优秀
exponential	实验	前期突进，快速变换
sgm_uniform	SDE类采样器	均匀步长，实验性强
simple	快速测试	极简线性逻辑
ddim_uniform	DDIM配套	每步均匀，稳定
beta	研究型任务	自定义分布实验
linear_quadratic	高保真图像	分布灵活，适合大图精修
kl_optimal	高精度生成	理论最优路径，少见使用

---