Stable Diffusion 采样器介绍（sampler）

　　在 Stable Diffusion 的 webUI 中，我们可以选择许多不同的采样器，如 Eular a、 Heun、 DDIM 等。那么这些采样器之间有什么区别呢？在操作时应该如何进行选择呢？本文将详细介绍采样器的工作原理，并对各种采样器进行优劣比较。

　　先来总结一下结论：

　　如果只是想得到一些简单的结果，可以选择欧拉（Eular）或者 Heun 采样器，并可以适当减少 Heun 的步骤数以减少时间。

　　对于追求速度、融合、新颖且质量不错的结果，建议选择 DPM++ 2M Karras，步骤范围为 20-30；UniPc，步骤范围为 20-30。

　　如果期望得到高质量的图像，且不关心图像是否收敛，可以选择 DPM++ SDE Karras，步骤范围为 8-12；DDIM，步骤范围为 10-15。

　　如果期望得到稳定、可重现的图像，则应避免使用任何祖先采样器。

　　采样器的工作原理是什么呢？一个标准的 Stable Diffusion 分为两个步骤：前向扩散过程和后向的去噪、复原以及生成目标的过程。前向过程不断向输入数据中添加噪声，而采样器主要负责后向过程中的去噪。在图像生成之前，模型会首先在 Latent Space 中生成一个完全随机的图像，然后噪声预测器开始工作，从图像中减去预测的噪声。随着这个步骤的不断重复，最终我们得到了一个清晰的图像。整个去噪的过程就是采样，而采样器或采样方法就是用来实现这个过程的手段。

　　噪声计划表（Noise schedule）控制每个采样步骤的采样水平。整体噪声在第一步时最高，在最后一步逐步降低到零。在每一步中，采样器会生成与噪声计划表匹配的噪声水平的图像。增加采样步数可以缩小每一步的降噪幅度，有助于减少采样的截断误差。

　　Stable Diffusion 提供了一些经典的 ODE 求解器：

　　欧拉采样器（Euler）：欧拉采样方法。

　　Heun 采样器：欧拉的一个更准确但较慢的版本。

　　LMS 采样器：线性多步法，速度与欧拉采样器相近，但更准确。

　　还有一类采样器被称为祖先采样器，其名称中带有 “a” 标识。这类采样器在每个采样步骤中都会向图像添加噪声，因此采样结果具有一定的随机性。例如，Euler a、DPM2 a、DPM++ 2S a、DPM++ 2S a Karras 等都属于祖先采样器。由于这类采样器的特性，图像不会收敛，因此在需要保证重现性的情况下（比如构建动画时），应尽量避免使用具有随机性的采样器。需要注意的是，虽然部分采样器的名称中没有明确标识为祖先采样器，但它们仍属于随机采样器。如果希望生成的图像具有微小的变化，可以使用 variation seed 进行调整。

　　带有 Karras 字样的采样器最大的特点是使用了 Karras 论文中建议的噪声计划表。这表现在噪点步长在接近尾声时会更小，有助于提升图像的质量。

　　除了上述采样器外，还有一些已过时或不再广泛使用的采样器，如 DDIM（去噪扩散隐式模型）和 PLMS（伪线性多步方法）。当前较常用的采样器均来自于 Katherine Crowson 的 k-diffusion 项目。

　　关于评估方法，可以采用图像收敛作为指标。通过使用不同的采样器生成相同的图像，并在最多 40 轮迭代的情况下评估采样的收敛速度。以欧拉采样器作为多组对比的参照，可以观察到不同采样器的收敛情况。从结果中可以看出，PLMS 的整体表现最差，LMS Karras 稍好，仅在最后几步迅速收敛。Heun 由于是二阶方法，整体收敛更快，但计算速度较慢。

　　祖先采样器很难收敛，因此在期望获得稳定、可重现的结果时应避免使用它们。DPM 系列的采样器在速度方面可能较慢，但具有类似体系结构。DPM++ 是对 DPM 的改进，DPM2 采用二阶方法，结果更准确但相应速度较慢。UniPC 是一种可以在 5-10 个步骤中实现高质量图像生成的方法。

　　最后，以欧拉为代表的一阶方法的整体速度大致相当，以 Heun 为代表的二阶方法的整体耗时也基本一致，约为一阶方法的两倍。这是因为二阶求解器虽然更准确，但需要对 U-Net 进行两次评估，因此整体耗时增加一倍。

　　以上就是 Stable Diffusion 采样器的介绍，希望对大家有所帮助。根据不同的需求和要求，选择合适的采样器可以获得更好的结果。