理解 Stable Diffusion采样器：超越图像比较

本文翻译自：Understanding Stable Diffusion Samplers: Beyond Image Comparisons
已经获得了作者QuadPipe的许可。

什么是采样器？为什么它们很重要？

在 Stable Diffusion中，采样器会分多个步骤引导噪声转化为图像的过程。采样器控制着扩散过程 —— 即每一层图像是如何迭代改进的，从随机噪声场逐步转变为可识别且细节丰富的图像。你所使用的步数（多还是少）以及你选择的采样器和调度器的组合，将决定生成图像的风格、质量以及生成速度。
有些采样器侧重于速度，比如 Euler A，当你需要快速得到结果时，它的表现就很出色；而其他采样器，如 DDIM 或 DPM++，则更侧重于精度和控制，这使得它们非常适合高细节（high-detail）工作，但往往耗时更久。
以下是我当前版本的 Forge 中所包含的采样器：

DPM++ Family

这些采样器采用一种扩散概率模型，该模型经过了改进，旨在实现高质量的结果，同时保持计算效率。它们以能生成更清晰、更具一致性的图像而闻名，尤其在写实风格（realistic styles）图像的生成方面表现出色。

• DPM++ 2M：确定性采样器旨在实现精确、平滑的图像转换。它适合真实感（realism），但可能比其他采样器花费的时间更长。
  • 优点：高精度。
  • 缺点：比简单的采样器稍微慢一些。
• DPM++ SDE：Stochastic differential equations (SDE) 将随机性引入采样过程。此变体有助于探索更多样化的输出，从而可以改善图像中复杂或纹理区域的细节。
  • 优点：增强了多样性。
  • 缺点：每次运行的结果可能会略有不同。
• DPM++ 2M SDE：将确定性 (2M) 方法与 SDE 相结合。提供确定性方法的控制和 SDE 的灵活性，使其用途广泛。
  • 优点：平衡多样性和可控性。
  • 缺点：它可能并不总是最快的选择。
• DPM++ 2M SDE Heun：使用 Heun 方法（一种特定的数值积分技术）来改善图像过渡，降低噪音。这对于更逼真的输出非常有效。
  • 优点：干净、流畅的输出。
  • 缺点：由于整合步骤的缘故，耗时更长。
• DPM++ 2S a：另一种具有不同权重策略的变体。有时它可以产生更具风格或艺术性的效果。
  • 优点：适合艺术图像。
  • 缺点：它可能并不总是现实的。
• DPM++ 3M SDE：更高阶的 2M SDE 版本能够产生更加复杂的细节，但速度可能会更慢。
  • 优点：适合艺术图像。
  • 缺点：它可能并不总是现实的。

Euler Family

Euler采样器以其速度和效率而闻名。它们在较少的步骤下运行良好，并且计算效率更高。

• Euler A：改进的Euler方法以速度快和产生明显一致的结果而闻名。它通常用于快速生成，但可能会错过精细的细节。
  • 优点：速度和一致性。
  • 缺点：较低步数缺乏精细细节。
• Euler：标准Euler方法在细节上表现优于Euler A，但在时间效率上较低。
  • 优点：适合平衡图像。
  • 缺点：可能难以处理非常复杂的细节。

LMS (Laplacian Pyramid Sampling)

这是一种常用于生成写实图像的热门采样器，尤其是在搭配较高步数时更是如此。它能对图像的转换进行强有力的把控，生成的结果往往显得干净自然。

• 优点：非常适合生成逼真并且有高质量细节的图像。
• 缺点：与 Euler A 等更快的采样器相比速度较慢。

Heun

Heun 采样器使用自适应步进机制，旨在提高过渡平滑度。它们速度稍慢，但通常可产生更平滑、噪声更少的图像。

• 优点：平滑过渡并降低噪音。
• 缺点：处理较大的图像很耗时。

DPM2 / DPM2 A

这些是二阶采样器，其设计初衷是在保持合理细节以及逼真度的同时实现快速生成图像的效果。

• DPM2：基础模型适用于一般用途，能在速度和质量之间达到平衡。
  • 优点：速度快，质量好。
  • 缺点：有时会遗漏一些复杂的细节。
• DPM2 a：添加“a”变体以增加多样性，产生比 DPM2 略微更加多样化的结果。
  • 优点：良好的多样性。
  • 缺点：比 DPM2 慢一点。

DPM Fast / DPM Adaptive

这些是经过优化的采样器，专为提高速度而设计，采用了自适应技术来动态调整采样过程。

• DPM Fast：它更注重速度而非细节，这使得它适合用于快速迭代。
  • 优点：速度非常快。
  • 缺点：丢失细节。
• DPM Adaptive：动态调整步长，根据图像的复杂程度来平衡速度和细节。
  • 优点：完美平衡复杂任务。
  • 缺点：结果会因不同的复杂程度而有所变化。

其他专业采样器

• Restart：一种定期重置部分图像生成过程的方法，以避免陷入局部最优解，从而产生更多样化的结果。
  • 优点：增加了随机性和创造性。
  • 缺点：有时会导致不一致的结果。
• HeunPP2：一种运用更先进数值方法的变体，旨在对精细细节进行更完善的把控。
  • 优点：高精度。
  • 缺点：比Heun慢。
• IPNDM / IPNDM_V：迭代采样器专为更高精度而设计，采用多步骤流程，在生成逼真细节方面尤为有用。
  • 优点：非常高质量的输出。
  • 缺点：耗费大量时间。
• DEIS：Diffusion-inspired采样器，旨在平衡速度与质量。
  • 优点：用途广泛且真实感强。
  • 缺点：不如Euler A 那么快。

DDIM (Denoising Diffusion Implicit Models)

这种采样器因其能够相对快速地创建细节丰富、逼真的图像而备受赞誉。DDIM在步数较低和较高的情况下都能有良好的表现。

• 优点：凭借高效采样实现良好的逼真效果。
• 缺点：与LMS之类的采样器相比，会遗漏一些更精细的细节。

PLMS (Pseudo-Laplacian Pyramid Sampling)

这是另一种用于实现逼真效果的常用方法，不过它比LMS速度稍快一些。它在生成均衡的、逼真照片效果的输出方面表现良好。

• 优点：无需花费太多时间即可获得高质量的结果。
• 缺点：相较于LMS，其可控性稍弱一些。

UniPC

一种较新的采样器，侧重于融合以往采样器的优势，同时具备高效和高质量的特点。它适用于不同的图像风格，用途广泛。

• 优点：多功能且高效。
• 缺点：由于是新的，因此一致性可能较差。

LCM (Latent Control Models)

这种采样器引入了潜在空间控制，能对最终图像中特征的呈现方式进行更精细的控制。

• 优点：对具体细节有较高的控制力。
• 缺点：复杂性和时间。

DDPM (Denoising Diffusion Probabilistic Models)

原始扩散模型以最稳定但速度最慢而闻名。它非常适合生成高质量图像，但如果需要速度的话就不太理想了。

• 优点：极其稳定且一致。
• 缺点：比较慢。

Specialized Euler Variants

• Euler_Dy_Negative / Euler_Dy：针对不同图像风格进行了优化的动态Euler采样器，对更具艺术性或实验性的任务很有帮助。
  • 优点：富有创意的成果。
  • 缺点：逼真度较低。
• Euler_Max / Euler_Negative：更极端的Euler采样器版本，侧重于噪声和结构的特定动态变化。
  • 优点：独特的图像。
  • 缺点：并不总是现实的。
• Euler_Smea_Dy / Euler_Smea：基于涂抹的方法，能让图像呈现出一种稍显柔和、如梦似幻的质感。
  • 优点：适合更柔和、更具艺术性的图像。
  • 缺点：不够清晰。

在选择将哪些采样器用于 SD1.5 模型和 SDXL 模型时，有几个因素会影响图像生成过程的性能、质量和速度。Stable Diffusion的这两个版本有着截然不同的架构，SDXL 比 SD1.5 要大得多且更为复杂，而这些差异会影响特定采样器的表现效果。以下是针对每个模型使用不同采样器的优缺点概述：

模型复杂性和大小

• Stable Diffusion 1.5：一个更小、更紧凑的模型，能与各类采样器良好配合。它以生成速度更快而闻名，即便在低端硬件上也是如此，而且使用诸如Euler A这类较简单的采样器就能相对容易地对其进行控制。
• SDXL：一种旨在提升逼真度和细节的更大模型，它从更先进的采样器中天然受益，但可能运行速度较慢，且需要更多的计算资源。它旨在利用高阶采样器的优势。

采样器的优点/缺点

DPM++ Family

• SD1.5：DPM++采样器在搭配SD1.5模型时非常有效，能生成清晰、干净的结果，同时还能将计算负荷控制在可管理的范围内。不过，对于分辨率较低的输出内容而言，这种额外的复杂性可能并非必要。
  • 优点：DPM++ 2M、2S 和其他变体在质量和速度之间实现了良好的平衡。
  • 缺点：对于简单任务或者步数较少的情况而言，有点大材小用了。
• SDXL：鉴于SDXL模型有着更大的规模，且具备展现更为精细复杂细节的能力，这些采样器与之搭配时优势尽显。SDXL能够充分利用DPM++采样器所提供的额外优化作用，特别是在生成逼真的照片式图像方面，其效果尤为显著。
  • 优点：对精细细节和纹理的控制非常出色，尤其是使用 DPM++ 2M SDE Heun 和类似变体时。
  • 缺点：由于 SDXL 的架构较大，因此速度可能会较慢，尤其是在低端硬件上。

Euler A / Euler

• SD1.5：Euler A采样器通常是StableDiffusion 1.5模型的首选，因其具备速度快、效率高的特点。它非常适用于快速预览或生成较为简单的构图，不过可能无法呈现出最精细的细节。
  • 优点：快速、高效，足以满足大多数用例的需求。
  • 缺点：对于高质量图像而言，缺乏一些精细的细节和精准度。
• SDXL：欧拉采样器对于SDXL模型通常效果欠佳，因为它们不太能妥善处理该更大模型的复杂性。其生成的结果往往不如其他专为更高保真度而设计的采样器那样清晰，或者说太过简单了。
  • 优点：如果步数较少，速度快可能会成为一项优势。
  • 缺点：无法呈现出SDXL旨在生成的更精细细节的优势。

LMS

• SD1.5：LMS 非常适合 SD 1.5 来生成逼真的图像，特别是当您想要干净的过渡以及速度和质量之间的良好平衡时。
  • 优点：在不过多增加计算负荷的情况下，非常适合生成逼真的照片效果。
  • 缺点：预览速度比Euler A 稍慢。
• SDXL：LMS 与 SDXL 配合使用效果很好，尤其适用于高分辨率、精细的输出。LMS 与 SDXL 的组合可以创建逼真的图像，但由于 SDXL 尺寸更大，速度较慢可能会更加明显。
  • 优点：良好平衡SDXL 中的真实感。
  • 缺点：可能会很慢，特别是在低端 GPU 上。

Heun / HeunPP2

• SD1.5：Heun采样器表现出色，在搭配SD1.5模型处理那些需要过渡平滑且噪点较少的图像时，能发挥良好作用。它们的速度并非最快，但能生成稳定一致的结果。
  • 优点：流畅、无噪音的图像。
  • 缺点：与 Euler A 等简单采样器相比速度较慢。
• SDXL：Heun变体在与SDXL配合时表现非常好，尤其是HeunPP2，因为它们能够满足该模型在处理大幅图像尺寸时对平滑度和细节方面的需求。不过，模型越大，在速度方面所要付出的代价就越发明显。
  • 优点：非常适合平滑逼真的过渡。
  • 缺点：速度比 SD 1.5 慢得多。

DPM Fast / DPM Adaptive

• SD1.5：当你需要快速得出结果但对细节要求并非最高时，这些采样器很实用。它们在SD1.5模型中，针对低步数或快速迭代的情况能发挥出最佳效果。
  • 优点：用于预览或生成简单图像时速度较快。
  • 缺点：在处理复杂或大幅图像时缺乏细节。
• SDXL：在使用SDXL模型时，DPM Fast和DPM Adaptive的大部分效能都会丧失，因为SDXL模型的复杂性要求更精细的采样才能充分发挥其潜力。你仍可将它们用于快速打草稿，但最终生成的图像质量可能会受到影响。
  • 优点：速度快但用途有限。
  • 缺点：无法充分利用 SDXL 的功能。

DDIM

• SD1.5：在SD1.5中，DDIM在步数较少和较多的情况下都能有良好表现，在速度与质量之间实现了较好的平衡。
  • 优点：无需耗费大量时间即可获得一致、高质量的结果。
  • 缺点：在处理细节非常丰富的图像时，有时不如DPM++采样器生成的图像清晰。
• SDXL：DDIM 在 SDXL 中仍然有效。它提供了出色的真实感，并受益于 SDXL 更广泛的数据。虽然速度比 SD 1.5 稍慢，但对于更大、更复杂的图像来说，结果是值得的。
  • 优点：针对SDXL模型的复杂性，有着均衡的表现。
  • 缺点：比 SD 1.5 慢，但也不是太慢。

PLMS

• SD1.5：在SD1.5中，PLMS对于生成细节丰富、逼真的图像效果极佳，它能生成比其他一些采样器噪点更少、更清晰的图像。
  • 优点：高质量输出，收敛相对较快。
  • 缺点：对于预览或快速生成来说不是最快的。
• SDXL：PLMS 与 SDXL 配合使用效果极佳，尤其是在生成照片般逼真、细节丰富的图像时。它有助于避免噪音和伪影，是更复杂构图的绝佳选择。
  • 优点：在使用SDXL时，对于生成高端逼真照片效果很有帮助。
  • 缺点：比 SD 1.5 慢，但非常有效。

SDXL 的其他采样器

• UniPC：该采样器特别适合 SDXL 的大型架构。它有助于生成高效、高质量的图像，且无需过多的计算负荷。
  - 优点：非常适合 SDXL 的复杂结构。
  • 缺点：较新，因此一致性尚未得到广泛测试。
• DEIS：与 SD1.5 相比，它与 SDXL 的配合效果更好，因为它能够利用更大的模型获得高质量的输出，同时保持效率。
  • 优点：有利于平衡 SDXL 的速度和质量。
  • 缺点：SD1.5 从 DEIS 中获益不多。

SDXL 中采样器相对于 SD1.5 的优势

• SDXL 从高级采样器中获得更多优势：SDXL 可以从 DPM++、PLMS 和 Heun 等高阶采样器中获得更多细节，这些采样器可以更好地处理复杂性和纹理。
• SD1.5 可以使用更简单的采样器：Euler A 或 DPM Fast 等更简单的采样器非常适合 SD 1.5，因为模型更小，运行速度更快。您可以使用更快的采样器，同时仍能获得不错的结果。
• 写实性与复杂性：如果写实性以及逼真的纹理是你的首要考量因素，那么将SDXL与LMS、PLMS或DPM++ Heun相结合，将会产生比SD1.5好得多的效果。

SDXL中采样器相对于SD1.5的劣势。

• SDXL中的速度权衡：像SDXL这样规模更大的模型本身运行速度就较慢。尽管先进的采样器能生成更好的效果，但它们可能会极大地拖慢整个过程，尤其是在低端硬件上这种情况更为明显。
• 针对简单任务用力过猛：使用SD 1.5时，若搭配诸如DPM++ 3M或HeunPP2这类高阶采样器，可能会显得有些多余，除非你需要高质量细节。SD 1.5利用更简单、更快的采样器就能产出很棒的效果。
• 对于SDXL而言，像DPM++、Heun、PLMS以及LMS这类先进的采样器将能充分发挥该模型的潜力，以牺牲速度为代价生成细节更丰富、更逼真的图像。而对于SD1.5来说，像Euler a、DDIM或DPM Fast等更简单的采样器对于大多数任务而言已经足够了，并且能提供更快的生成时间，这使得它们更适合用于快速预览或更简单的图像合成。

Schedulers的作用

调度器与采样器协同工作，通过控制扩散过程中每一步减少噪声的方式来发挥作用。可以把它们看作是指导何时以及以何种力度对图像进行去噪的向导。合适的调度器会对图像质量产生重大影响，尤其是在步数较少的情况下。例如，Karras凭借其对数曲线，能更均匀地分配降噪过程，从而在步数较少的情况下也能取得更好的效果，且不会牺牲细节。

Schedulers设置

• Use Same Scheduler：确保在整个生成过程中一致地应用相同的调度程序。
  • SD1.5：这通常有利于稳定性和可重复性。持续使用特定的调度器能够产生更可预测的结果，尤其是在搭配像Euler A这类速度更快的采样器时。
  • SDXL：在SDXL中，这有助于对更复杂的输出进行把控。由于SDXL生成的图像细节丰富，这一设置有助于保留大型模型所呈现出的那些细节。
• Automatic：让系统根据采样器和其他参数自动选择调度程序。
  • SD1.5：适用于一般用途和快速实验，尤其是不确定使用哪个调度程序时。系统通常会选择合适的选项。
  • SDXL：它可能对快速制作原型或探索不同风格有所帮助。不过，它也许并非总能选出实现最佳质量的最佳组合。
• Uniform：每一步都会进行等量的降噪。它是线性且保持一致的。
  • SD1.5：适用于更简单、更快速的任务，或者在不需要复杂的噪声衰减过程时使用。其生成的结果通常还算不错，但在复杂区域可能会缺乏细节。
  • SDXL：它在SDXL中效果欠佳，在SDXL中更先进的调度器往往能充分展现模型复杂度方面的优势。Uniform可能会使过程过于简化，从而降低图像质量。
• Karras：Karras调度器采用对数噪声调度，这种调度往往会将更多的细化工作分配到生成阶段的后期。它旨在不牺牲速度的情况下提升高频细节。
  • SD1.5：当你想要在不使用过多步数的情况下获得细节丰富的输出时，这种调度器非常出色。它与DDIM或LMS配合使用时效果极佳。
  • SDXL：它在 SDXL 中表现出色，可以生成逼真且细节丰富的图像。由于 SDXL 受益于精细的细节，因此 Karras 有助于在后续过程中锐化这些细节，而不会拖慢早期步骤。
• Exponential：在Exponential中，降噪遵循指数曲线，这会导致在开始阶段快速细化，而在接近结束时过渡变缓。
  • SD1.5：对于快速绘制粗略草图很有用。早期的细化能够帮助你快速获得一个基本结构，但生成的结果可能细节较少。
  • SDXL：对于SDXL来说不太理想，因为该模型得益于细致的过渡，尤其是在后期阶段。它可能会导致输出结果看起来过于粗糙或不完善。
• Polyexponential：一种Exponential的变体，但对噪声的多项式衰减有更多控制。这允许更精细的调整。
  • SD1.5：非常适合平衡速度和精细度。它可以比标准指数法生成更高质量的图像，而不会减慢太多速度。
  • SDXL：这在 SDXL 中可能比基本指数时间表更有用，因为它允许对细节的细化进行更多控制，但仍然无法与像Karras这样更先进的调度器竞争。
• SGM Uniform：SGM (Score-based Generative Models)采用均匀噪声调度，这种调度往往会在各步骤间平衡降噪效果，但可能更利于实现更平滑的过渡。
  • SD1.5：虽然它不是最注重细节的调度程序，但可以产生一致的结果。适用于更平滑、细节较少的图像。
  • SDXL：对于高细节图像，它在 SDXL 中效果较差，但对于更平滑、更柔和的图像效果很好。
• KL Optimal：KL（Kullback-Leibler）最优调度器最小化目标分布和当前分布之间的 KL 散度，从而实现数学上更“最优”的扩散过程。
  • SD1.5：Good for producing images with consistent structure and balance. Works well when combined with DDIM or LMS.
  • SDXL：非常适合 SDXL 中的复杂图像，因为它专注于以数学上最佳的方式保留细节。它可以帮助生成逼真、结构良好的图像。
• Align Your Steps：这种自定义调度会将各步骤与特定的关键过渡阶段相匹配，有可能对扩散过程的轨迹提供更强的把控力。
  • SD1.5：除非您正在寻求对图像生成的精确控制，否则它可能不会比标准调度程序显示出显着的改进。
  • SDXL：当您想要更好地控制图像的不同方面在不同阶段如何演变时，这对于 SDXL 非常有用。
• Simple：这是一种带有线性降噪曲线的基础调度器。它操作简单，但在细节或速度方面并没有特别优化。
  • SD1.5：适合非常基本的任务或快速草稿。它没有提供太多细节或复杂性。
  • SDXL：不推荐用于 SDXL，因为它无法充分利用模型的功能或生成详细的图像。
• Normal：“Simple” 的更平衡版本，具有稍微更细微的过渡，但仍然不如 Karras 或 KL Optimal 等其他版本那么先进。
  • SD1.5：适合没有复杂纹理的平衡图像。适用于一般用途的任务。
  • SDXL：更适合不需要高细节的简单 SDXL 任务，但除此之外，更先进的调度程序更受青睐。
• Beta：这指的是一种基于beta调度的降噪过程，它依据近似beta分布的曲线来降低噪声，能提供一个更循序渐进的细化过程。
  • SD1.5：对于更细致图像的缓慢细化很有用。
  • SDXL：在SDXL中效果良好，尤其是在保留细微细节方面表现出色。这种较为缓慢的细化过程有助于保留纹理和真实感。
• Turbo：这是一种为了更快生成图像而牺牲部分细节的调度器。它能在更少的步骤内更快速地进行降噪。
  • SD1.5：非常适合快速预览或速度比细节更重要的情况。
  • SDXL：不推荐用于 SDXL，因为它会损害细节和真实感，而这正是 SDXL 擅长的两个领域。
• Align Your Steps GITS：与Align Your Steps类似，但更强调生成过程中的关键时刻。GITS代表“在过渡步骤中生成”，能提供更强的操控性。
  • SD1.5：这对于生成更结构化的图像很有用，但并不总是能产生比标准方法更好的结果。
  • SDXL：在 SDXL 中更有效地进行受控和细致入微的图像生成，特别是当您想影响细节的演变时。
• Align Your Steps 11 / 32：这些是Align Your Steps方法的变体，具有针对 11 或 32 个步骤的特定设置。它们允许更精细地控制图像生成过程的每个阶段的处理方式。
  • SD1.5：当您想要精细控制步数时这些会很有用，特别是对于生成具有良好结构的快速草稿。
  • SDXL：如果在SDXL中你需要对图像演变过程进行精确控制，那么它效果不错，但与Karras或KL Optimal等更高效的调度器相比，它的速度可能会更慢些。

适用于 SD1.5 与 SDXL 的良好组合

SD1.5

对于 SD1.5，更简单的采样器，例如 Euler A、DDIM 或 LMS可以与基本调度器结合使用，例如：

• Karras：即便步数较少，也最利于生成写实风格的内容。
• DDIM：在速度和细节方面较为全面。
• KL Optimal：产生一致、结构化的结果。
• Turbo：如果速度是您的首要考虑。

SDXL

对于 SDXL，复杂性和细节是关键，将 DDIM 或 DPM++ 等高级采样器与复杂的调度程序相结合将产生最佳结果：

• Karras：非常适合写实主义和高度细节化的纹理。
• KL Optimal：保留复杂细节，同时保持平衡
• Beta：生成较慢但更详细的细化。
• Align Your Steps GITS：适合结构化过渡，尤其是复杂的场景。

采样器和调度器的组合，连同步数，在最终输出效果方面起着重要作用。但仅仅比较这些方法的输出所存在的问题在于，这具有主观性——何为“好”或“坏”可能因人而异。相反，让我们逐一了解这些工具的优势，并根据具体需求提供一些有用的组合。

有用的采样器/调度器组合

以下是针对不同模型和场景的有用组合的细分。

SD 1.5 Realistic Images (High Steps > 30)

• DDIM + Karras: 此组合可出色地控制细节和真实感。Karras 可在更多步骤中实现更平滑的降噪，而 DDIM 可在更高步骤数下提供出色的结构和精细细节。
• DPM++ 2M + KL Optimal: 凭借 KL Optimal 保留结构和提供精细噪声转换的 DPM++ 2M，这种组合非常适合在高步长级别生成清晰、逼真的图像。
• PLMS + Karras: 对于那些寻求速度和真实感之间平衡的人来说，PLMS 与 Karras 配对可确保流畅、细致的结果，即使超过 30 个步骤。
• Euler + Beta: 如果您需要速度但仍想要逼真的纹理，Euler Beta 版提供了快速生成和逐步降噪的完美结合。
• LMS + KL Optimal: LMS 擅长保留结构，而 KL Optimal 则可确保最佳去噪效果。非常适合高细节照片级真实感。
• DPM++ 2M SDE Heun + Karras: 为了获得精确度和精细细节，DPM++ 2M SDE Heun 与 Karras 配对，让您可以控制纹理和平滑过渡。
• DPM2 A + Polyexponential: 此组合适合需要复杂性和精致纹理的用户。DPM2 A 与 Polyexponential 配合使用效果极佳，可获得高度详细和动态的图像。
• DPM Fast + Karras: 如果速度很重要但您不想牺牲太多质量，那么 Karras + DPM Fast 可以保持速度而不会失去对图像的控制。
• DDIM + Align Your Steps 32: Align Your Steps 允许 DDIM 在较长的过程中对图像进行微调，同时保持真实感和结构的完整性。
• DPM++ SDE + KL Optimal: 该组合利用 SDE 变体的随机优势和 KL Optimal 的精度，提供清晰、一致的细节。

SD 1.5 Realistic Images (Low Steps < 30)

• Euler A + Karras: 在低步数下若想兼顾速度和不错的细节，这种搭配有助于你快速获得结果，同时又不会损失过多质量。
• DDIM + Beta: Beta 提供较慢、渐进的降噪功能，可与 DDIM 相辅相成，以较低的步长获得更清晰的图像。当您需要较低计数下的平衡时，这是一个不错的选择。
• LMS + Karras: LMS 保持结构清洁，而 Karras 有助于保持平滑度，使得这种组合在较少步数下也能很好地发挥作用。
• DPM Fast + Uniform: 如果速度是您的首要考虑因素，而且您可以接受损失一点精度，那么 DPM Fast + Uniform 可以很好地完成这项工作。
• DPM++ 2M + Simple: 简单而有效，具有简单调度的 DPM++ 2M 可以以较少的步数提供真实的结果。
• DDIM + KL Optimal: 为了快速获得精确的结果，KL Optimal + DDIM 平衡了速度和细节，非常适合较低的步骤。
• Euler + Exponential: 这种组合提供了更快但有效的扩散，为您提供具有合理真实感的快速结果。
• DPM++ SDE + Karras: DPM++ SDE 增加了纹理和深度，尤其是与 Karras 搭配使用时，可实现平滑、均匀的过渡。
• DPM2 A + Karras: 保留细节以实现更可控的低步进输出，且不会花费太长时间。
• DPM++ 2S A + Turbo: 当速度是主要目标时，Turbo 调度有助于快速产生结果，并且 DPM++ 2S A 添加足够的结构以使其保持真实。

SDXL Realistic Images (Low Steps < 30)

• DDIM + Karras: 这种组合平衡了速度和质量，允许以更少的步骤实现详细的输出，非常适合 SDXL 的复杂性。
• DPM++ 3M SDE + KL Optimal: 非常适合低步骤 SDXL 工作，提供丰富的细节和平滑度，同时保持流程高效。
• LMS + Karras: LMS 确保结构完整性，而 Karras 有助于在较少的步数下进行细化，使其成为快速 SDXL 输出的理想选择。
• Euler A + Karras: 就速度而言，Euler A + Karras 为那些需要较少步数又不牺牲太多质量的人提供了一个可靠、快速的选择。
• DPM++ 2M SDE Heun + Karras: 这种配对即使在较低的步骤下也能确保平滑度和深度，这对于详细但快速的 SDXL 图像来说是理想的。
• DPM2 A + KL Optimal: 平衡速度和复杂性，当您仍想要深度和真实感时，非常适合低步骤。
• DPM++ 2M SDE + Beta: 以低步长提供更渐进的降噪效果，从而更容易在更快的工作的同时保留细节。
• DDIM + KL Optimal: 它能让画面保持清晰，生成速度也快，而且在需要精度的情况下，非常适合低步数的SDXL输出。
• Euler A + Align Your Steps GITS: 对于那些希望控制生成过程的人来说，Align Your Steps GITS有助于在低步数情况下引导Euler A。
• DPM++ 2M + Polyexponential: 增添深度和平衡感，使其非常适合在SDXL中生成低步数的写实风格输出内容。

SDXL Realistic Images (High Steps > 30)

• DDIM + Karras: 这种组合可提供出色的高细节逼真图像质量，从而在降噪过程中实现平滑自然的过渡。 Karras 确保即使在高步骤下，细节也能得到精细调整。
• DPM++ 3M SDE Heun + KL Optimal: DPM++ 3M SDE Heun 与 KL Optimal 配合使用效果极佳，可实现高分辨率、高细节输出。SDE 的随机特性有助于捕捉复杂的纹理，因此该组合非常适合处理更大、更复杂的图像。
• LMS + Karras: 这种搭配非常适合创作结构清晰的写实图像。LMS能在大量步数中保留细节，而Karras则能让细化过程流畅且保持一致。
• DPM++ SDE + Beta: 作为适用于高步数的一个通用选项，“DPM++ SDE”与Beta配合使用，既能保持噪声过渡平滑，又能在最终图像中捕捉到细节。
• DPM++ 2M SDE Heun + Karras: 这种搭配在高步数下处理更复杂的图像时效果尤为出色，能生成细节丰富、结构合理且具有平滑、写实品质的输出内容。
• DPM2 a + KL Optimal: 这种组合最大限度地提高了精度和纹理质量，使其非常适合那些最注重复杂细节的较长图像生成。
• PLMS + Karras: PLMS 与 Karras 是经过验证的高分辨率工作组合，即使跨越多个步骤，也能出色地创建清晰锐利的图像。
• DPM++ 2M + Polyexponential: Polyexponential允许生成更复杂的衰减曲线，当它与“DPM++ 2M”相结合时，能在长时间、多步骤的过程中更好地控制纹理和深度。
• DDIM + KL Optimal: 这种配对确保降噪过程的每一步都经过计算，以便在高步骤高效工作的同时呈现最佳的细节。
• Euler + Beta: Euler + Beta是一种可靠且简单直接的选择，速度快，同时仍能提供合理的细节和清晰度，当你需要更快地获得结果时，它是高步数生成情况下的可靠之选。

SD1.5 Illustration/Cartoon Images (High Steps > 30)

• DDIM + Karras: 对于细节丰富且画面平滑的卡通或插画图像而言，DDIM与Karras相结合，能在较多步数下使清晰的边缘和生动的纹理栩栩如生。
• DPM++ 2M + Beta: 这种组合可以实现丰富大胆的色彩和强烈的线条，使其非常适合具有高步数的更具动态的卡通插图。
• Euler + Karras: 在速度和对风格元素的精细把控之间实现平衡，尤其适用于具有清晰边缘和强烈对比的插画。
• PLMS + KL Optimal: PLMS 可确保线条和纹理的一致性，而 KL Optimal 可确保细节的细化，非常适合制作清晰的卡通图像。
• LMS + Karras: LMS 非常适合保留插图中线条和形状的结构完整性，而 Karras 则可以在颜色和细节之间添加更平滑的过渡。
• DPM2 a + Polyexponential: 对于复杂且色彩鲜艳的卡通图像来说，这是一种强有力的组合，尤其是在需要细腻的明暗处理和细节的情况下。
• DPM++ 2M SDE Heun + Karras: 这种设置能在众多步骤中生成线条流畅、色彩鲜艳且细节丰富的卡通作品。
• Euler A + Karras: 这种组合快速且高效，在高步数下适用于风格大胆、简约的插画，能在不牺牲速度的情况下保留细节。
• DPM++ SDE + Beta: 提供了一种更精细的降噪流程，该流程很适用于插画中的实线和较柔和的明暗处理。
• DPM++ 2S a + Simple: 对于较简单的卡通风格来说，这是一个不错的选择，可以在去噪过程中以较低的复杂性提供一致的结果。

SD1.5 Illustration/Cartoon Images (Low Steps < 30)

• Euler A + Karras: 一种快速有效的组合，可以用最少的步骤制作出大胆而生动的卡通图像，注重速度而不会丢失太多细节。
• DDIM + Simple: DDIM 确保线条清晰、细节锐利，而Simple使流程快速、直接，从而减少步骤数。
• DPM Fast + Uniform: 如果您需要快速获得具有鲜艳色彩和强烈轮廓的效果，则可提供快速而有效的组合。
• DPM++ 2M + Karras: 对于那些希望在较少步数下平衡速度和质量的人来说，这种组合可以快速提供清晰的卡通图像。
• Euler A + Turbo: 优先考虑速度，同时又不失卡通和插画作品的基本特征。Turbo 有助于保持速度，同时保持鲜艳的色彩。
• LMS + Simple: 当流畅的线条和结构很重要，但速度仍是优先考虑因素时，这是生成低步数卡通图像的一个不错选择。
• DDIM + Karras: 对于仍需要一定细节和结构的低步数插画图像来说效果很好，Karras能使过渡更平滑。
• DPM2 A + Karras: 对于那些想要在较低步骤中获得更多控制的人来说，这种组合可确保基本形状和线条保持清晰，同时提供平滑的阴影。
• DPM++ 2S A + Beta: 能快速生成清晰、风格大胆的卡通图像，对充满活力、色彩鲜艳的风格很有帮助。
• Euler + Exponential: 这种组合很适合创作线条清晰、色彩明快的快速且简约的插画，尤其针对低步数情况进行了优化。

SDXL Illustration/Cartoon Images (High Steps > 30)

• DDIM + Karras: 这种组合可以为高度详细的插图和复杂的卡通作品提供清晰的线条、平滑的过渡和生动的细节。
• DPM++ 3M SDE + KL Optimal: DPM++ 3M SDE 提供复杂的细节和精度，而 KL Optimal 确保在多个步骤中实现最佳的降噪效果，非常适合细节丰富的卡通图像。
• Euler + Karras: 这是用于绘制细节丰富的卡通画的一个通用选项，能在速度和把控之间实现平衡。在高步数下使用时，对于保持画面的清晰度和鲜明度效果很好。
• DPM++ 2M + Beta: 它为插图图像添加了深度和活力，同时保持清晰的线条和大胆的形状，这在更多步骤的情况下尤其有效。
• DPM++ 2M SDE Heun + Karras: 这种组合非常适合需要详细、精致边缘和平滑色彩过渡的卡通图像，非常适合多步骤插图。
• LMS + Karras: 它能保留线条和明暗处理的结构完整性，使其成为绘制复杂、高步数卡通图像的可靠选择。
• DPM2 A + Polyexponential: 它增添了复杂性与流畅性，对于那些你想要完全掌控纹理和明暗效果的色彩鲜艳、细节丰富的插画来说堪称完美。
• DDIM + KL Optimal: 这是一种可靠的组合，适用于带有细腻明暗效果的细节丰富的卡通图像，尤其是在高步数情况下，此时KL Optimal的精确性就能发挥作用了。
• DPM++ SDE + Karras: 这种设置流畅且可靠，在较高步数下擅长创作出立体感强、清晰明了的精美插画。
• Euler A + Align Your Steps GITS: 能对扩散过程进行控制，确保在众多步骤中线条清晰、利落，色彩过渡生动鲜艳。

SDXL Illustration/Cartoon Images (Low Steps < 30)

• Euler A + Karras: 这种组合快速实用，适用于制作大胆、简单、步数较少的卡通图像，同时保持活力和结构。
• DDIM + Beta: Beta 调度可确保逐步降低噪音，这对于在较低步数下保持色彩丰富度和清晰的线条非常有用。
• DPM++ 2M + Turbo: 快速高效的组合，非常适合以最少的步骤快速制作清晰、动态的卡通图像。
• LMS + Simple: LMS 确保线条保持清晰，而Simple使低步骤插图的流程保持高效。
• DDIM + Karras: 在需要兼顾细节和速度的低步数插画中很有效，Karras可以使过渡更加平滑。
• DPM Fast + Uniform: 这种搭配确保即使步数较少，卡通图像依然清晰可见。
• DPM++ 2S A + Simple: 简单而有效的组合，可快速获得清晰的卡通图像，具有大胆的线条和颜色。
• Euler A + Exponential: 这种组合有助于生成鲜明且鲜活的图像，从而更快地获得成果，其中Exponential在依然保留结构的情况下，能够实现更迅速的噪声衰减。
• DPM2 A + Beta: 这种组合非常适合平衡低步长卡通图像的速度和质量，有助于保持清晰的边缘和鲜艳的色彩，并逐渐降低噪音。
• DPM++ 2M SDE + KL Optimal: 即使使用较少的步骤也能确保平滑的过渡和清晰度，从而可以在更短的时间内获得更精致、更详细的卡通图像。

作者QuadPipe分享的Models.

作者QuadPipe分享的Image.