Stable Diffusion采样器实战指南：如何选择合适的采样器

AI教程 2024-04-19

当你成功运行webui并打开界面时，首先映入眼帘的便是“Sampling method”这个参数，通常我们称之为采样器。只需稍稍下拉，你会惊讶地发现至少有30几种不同的采样方法可供选择。

尽管它们看似多样，但大致可以分为两大类别。

1，概率模型，例如 DDPM、DDIM、PLMS 和 DPM 系列模型。这些生成模型能够根据模型估计的概率分布生成输出。这就像用相机拍摄风景一样。

2，数值方法，如Euler，Heun和LMS。在每个步骤中，都会寻求特定数学问题的解决方案，并一点一点地估计解决方案。在这种情况下，这就像使用绘画和画布来创建景观并在每个步骤中添加新的细节。

现在，让我们详细了解一下这些采样器：

DDPM，即去噪扩散概率模型，是稳定扩散技术中早期的一种采样器。它基于显式概率模型来消除图像中的噪声。然而，由于其需要大量的步骤才能达到满意的效果，且效率相对较低，现在在Automatic1111中已不多见。

紧接着是DDIM，即隐式去噪扩散模型。尽管它与DDPM在原理上相似，但由于采用了隐式概率模型，DDIM在更少的步骤内能产生更好的结果。然而，它仍然需要至少100步来生成质量较高的图片，因此现在使用的人也相对较少。

PLMS，即伪线性多步方法，是对DDIM的进一步改进。然而，它同样需要至少50步才能达到满意的效果，因此现在已逐渐退出主流。

通过这几段简短的介绍，你可以感受到技术和方法的不断进步。然而，这些进步背后是无数人的辛勤付出和时间的积累。在人工智能快速发展的今天，我们需要保持与时俱进，紧跟技术前沿。

接下来，我们再继续探讨其他的采样器。

Euler方法可能是最简单的一种数值方法。它基于常微分方程，通过在每个步骤中线性消除噪声来工作。虽然它的简单性可能导致其精度不如我们期望的那样高，但Euler方法的速度非常快，甚至在10个步骤内就能提供良好的结果。尤其是在30到50步之间，Euler方法的表现尤为出色。因此，我非常推荐你尝试使用Euler方法。

而Heun方法可以被视为Euler方法的“完美主义者”兄弟。与Euler方法仅执行线性近似不同，Heun方法在每个步骤中执行两次计算，从而成为二阶采样器。它首先使用线性近似进行预测，然后使用非线性近似进行校正。这种精度的提高确实带来了更高的质量，但相应地，它也需要两倍的时间。值得一提的是，Karl Heun在一个多世纪前就已经开发了这种数值方法，可见其历史悠久。

LMS方法则是PLMS的近亲，它使用数值而非概率方法。LMS方法利用前面步骤中的信息来减少每个新步骤中的噪声。虽然它提供了更高的准确性，但这也带来了更高的计算要求，因此其速度相对较慢。综合考虑，我并不推荐使用LMS方法。

接下来，我们谈谈DPM模型系列。

DPM，即扩散概率模型，是对DDPM进行改进的概率模型。然而，Automatic1111中并没有提供DPM的基本实现，因为其已经有了改进的版本——DPM2。你可以将DPM2视为DPM的升级版。使用DPM2，你只需10步就能得到想要的结果，而30到50步则是理想的范围。更多的步骤通常是不必要的。

此外，我们还有DPM++，这也是对DPM的进一步改进。它结合了确定性和概率性方法进行采样和降噪。虽然Automatic1111中并没有提供DPM++的基本实现，但它与其他方法结合使用时能够发挥出强大的效果。

总的来说，扩散概率模型（如DPM、DPM2和DPM++）都是基于概率性的。在每个步骤中，它们并不像Euler、Heun或LMS那样通过确定性数值方法求解，而是通过近似来解决问题，以尽可能准确地进行采样。在这些模型中，求解器起着关键作用，它在计算和近似采样中的概率分布方面发挥着重要作用。而像DPM-Solver这样的新技术则进一步缩短了每个步骤的持续时间。