什么是采样？

采样器负责执行去噪步骤。

Stable Diffusion 使用采样方法生成干净的图像。该方法首先在潜空间中生成完全随机的图像，然后通过噪声预测器「noise predictor」估计图像的噪声，并将其从图像中减去。这个过程重复了十几次，最终得到一个干净的图像。采样是Stable Diffusion模型中的一部分，它逐步产生越来越清晰的图片。

这个去噪「denoising process 」过程被称为采样「sampling」，因为稳定扩散在每一步中生成一个新的样本图像。

噪声计划「Noise schedule」

通过噪声调度控制每个采样步骤的噪声水平，并逐渐减少到零。增加采样步骤可以减小每个步骤之间的噪声降低，有助于减少采样截断误差。

更多精彩图片 请登录

15 Steps

更多精彩图片 请登录

30 Steps

目前有20个采样器

更多精彩图片 请登录

传统的ODE求解器

让我们先解决一些简单的问题。列表中的一些采样器已经发明了100多年。它们是普通微分方程（ODE）的老派求解器。

• Euler - 最简单的求解器。
• Heun - 比Euler更准确但速度较慢。
• LMS（线性多步方法）- 与Euler相同的速度，但（据说）更准确。
  

祖先采样器

你是否注意到一些采样器的名称中只有一个字母“a”？

• Euler a
• DPM2 a
• DPM++ 2S a
• DPM++ 2S a Karras
  

它们是祖先采样器。祖先采样器在每个采样步骤中向图像添加噪声。它们是随机采样器，因为采样结果具有一定的随机性。
请注意，许多其他采样器也是随机的，即使它们的名称中没有“a”。
使用祖先采样器的缺点是图像不会收敛。比较使用 Euler a 和 Euler 生成的图像。

更多精彩图片 请登录

Euler

更多精彩图片 请登录

Euler a 直接放飞自我了

Karras 噪声计划 「noise schedule」

带有“Karras”标签的采样器使用Karras文章中推荐的噪声计划。如果你仔细观察，你会发现在接近结尾处噪声步长变小了。他们发现这可以提高图像质量。

更多精彩图片 请登录

默认噪声计划和Karras噪声计划之间的比较。

DDIM 和 PLMS

DDIM（去噪扩散隐式模型）和PLMS（伪线性多步方法）是最初的稳定扩散v1版本中附带的采样器。DDIM是为扩散模型设计的第一批采样器之一。PLMS是DDIM的更新且更快速的替代品。
它们通常被认为已经过时，不再广泛使用。
DPM和DPM++
DPM（概率扩散模型求解器）和DPM ++是专为2022年发布的扩散模型设计的新采样器。它们代表了一系列具有类似架构的求解器。
除了DPM2是二阶（更精确但速度较慢）之外，DPM和DPM2相似。
DPM++是对DPM的改进。
自适应调整步长的 DPM 可能会很慢，因为它不能保证在采样步数内完成。

UniPC

详细介绍：https://unipc.ivg-research.xyz/

UniPC（统一预测校正器）是2023年发布的新采样器。受ODE求解器中预测校正方法的启发，它可以在5-10步内实现高质量图像生成。

k-diffusion
最后，你可能听说过k-diffusion这个术语，并想知道它的含义。它只是指Katherine Crowson的k-diffusion GitHub存储库及其相关采样器。
该存储库实现了Karras 2022文章中研究的采样器。
基本上，AUTOMATIC1111中除DDIM、PLMS和UniPC之外的所有采样器都借用自k-diffusion。

那么如何选择采样器？

如果想要速度快且质量不错的话可以选择DPM++ 2M Karras或UniPC；
如果追求高质量图片，则可以选择DPM++ SDE Karras或DDIM。

更多精彩图片 请登录

更多精彩图片 请登录

https://stable-diffusion-art.com/samplers/
Stable-Diffusion-Art

分享即学习，我是麦小白，感谢你的阅读。

什么是采样？

采样器负责执行去噪步骤。

Stable Diffusion 使用采样方法生成干净的图像。该方法首先在潜空间中生成完全随机的图像，然后通过噪声预测器「noise predictor」估计图像的噪声，并将其从图像中减去。这个过程重复了十几次，最终得到一个干净的图像。采样是Stable Diffusion模型中的一部分，它逐步产生越来越清晰的图片。

这个去噪「denoising process 」过程被称为采样「sampling」，因为稳定扩散在每一步中生成一个新的样本图像。

噪声计划「Noise schedule」

通过噪声调度控制每个采样步骤的噪声水平，并逐渐减少到零。增加采样步骤可以减小每个步骤之间的噪声降低，有助于减少采样截断误差。

更多精彩图片 请登录

15 Steps

更多精彩图片 请登录

30 Steps

目前有20个采样器

更多精彩图片 请登录

传统的ODE求解器

让我们先解决一些简单的问题。列表中的一些采样器已经发明了100多年。它们是普通微分方程（ODE）的老派求解器。

• Euler - 最简单的求解器。
• Heun - 比Euler更准确但速度较慢。
• LMS（线性多步方法）- 与Euler相同的速度，但（据说）更准确。
  

祖先采样器

你是否注意到一些采样器的名称中只有一个字母“a”？

• Euler a
• DPM2 a
• DPM++ 2S a
• DPM++ 2S a Karras
  

它们是祖先采样器。祖先采样器在每个采样步骤中向图像添加噪声。它们是随机采样器，因为采样结果具有一定的随机性。
请注意，许多其他采样器也是随机的，即使它们的名称中没有“a”。
使用祖先采样器的缺点是图像不会收敛。比较使用 Euler a 和 Euler 生成的图像。

更多精彩图片 请登录

Euler

更多精彩图片 请登录

Euler a 直接放飞自我了

Karras 噪声计划 「noise schedule」

带有“Karras”标签的采样器使用Karras文章中推荐的噪声计划。如果你仔细观察，你会发现在接近结尾处噪声步长变小了。他们发现这可以提高图像质量。

更多精彩图片 请登录

默认噪声计划和Karras噪声计划之间的比较。

DDIM 和 PLMS

DDIM（去噪扩散隐式模型）和PLMS（伪线性多步方法）是最初的稳定扩散v1版本中附带的采样器。DDIM是为扩散模型设计的第一批采样器之一。PLMS是DDIM的更新且更快速的替代品。
它们通常被认为已经过时，不再广泛使用。
DPM和DPM++
DPM（概率扩散模型求解器）和DPM ++是专为2022年发布的扩散模型设计的新采样器。它们代表了一系列具有类似架构的求解器。
除了DPM2是二阶（更精确但速度较慢）之外，DPM和DPM2相似。
DPM++是对DPM的改进。
自适应调整步长的 DPM 可能会很慢，因为它不能保证在采样步数内完成。

UniPC

详细介绍：https://unipc.ivg-research.xyz/

UniPC（统一预测校正器）是2023年发布的新采样器。受ODE求解器中预测校正方法的启发，它可以在5-10步内实现高质量图像生成。

k-diffusion
最后，你可能听说过k-diffusion这个术语，并想知道它的含义。它只是指Katherine Crowson的k-diffusion GitHub存储库及其相关采样器。
该存储库实现了Karras 2022文章中研究的采样器。
基本上，AUTOMATIC1111中除DDIM、PLMS和UniPC之外的所有采样器都借用自k-diffusion。

那么如何选择采样器？

如果想要速度快且质量不错的话可以选择DPM++ 2M Karras或UniPC；
如果追求高质量图片，则可以选择DPM++ SDE Karras或DDIM。

更多精彩图片 请登录

更多精彩图片 请登录

https://stable-diffusion-art.com/samplers/
Stable-Diffusion-Art

分享即学习，我是麦小白，感谢你的阅读。