大家好，我是風(fēng)雨無(wú)阻。

本期內(nèi)容：

• 什么是采樣方法 ？
• 采樣方法的分類(lèi)有哪些？
• 怎么選擇合適的采樣方法？

在 Stable Diffusion中目前已經(jīng)有很多采樣方法 ，不同的采樣方法，出圖效果不同。這里將詳細(xì)介紹這些采樣方法，以及在使用 Stable Diffusion 的過(guò)程中，怎么選擇合適的采樣方法。

一、什么是采樣方法 ？

在了解采樣之前，我們得先了解 一下Stable Diffusion webui 是如何工作的，建議看看我之前的AI 繪畫(huà)Stable Diffusion 研究（七）sd webui如何工作這篇文章。

我們知道 sd webui 生成圖像，大致會(huì)經(jīng)過(guò)以下過(guò)程：

1、為了生成圖像， Stable Diffusion 會(huì)在潛在空間中生成一個(gè)完全隨機(jī)的圖像

2、噪聲預(yù)測(cè)器會(huì)估算圖像的噪聲

3、噪聲預(yù)測(cè)器從圖像中減去預(yù)測(cè)的噪聲

4、這個(gè)過(guò)程反復(fù)重復(fù) N 次以后，會(huì)得到一個(gè)干凈準(zhǔn)確的圖像

這個(gè)去噪的過(guò)程，就被稱(chēng)為采樣。

采樣中使用的方法被稱(chēng)為 Sampling method （采樣方法或者是采樣器）。

采樣步驟 Sampling steps 有什么影響？

采樣步驟，那么每個(gè)步驟降噪就越小 ，這樣可以減少采樣過(guò)程中的截?cái)嗾`差。

二、采樣方法的分類(lèi)

為了便于使用和理解，我們可以將這些采樣方法進(jìn)行分類(lèi)：

（1）、經(jīng)典ODE求解器

包含：Euler \Heun \LMS。

Euler采樣器：歐拉采樣方法。
Heun采樣器：歐拉的一個(gè)更準(zhǔn)確但是較慢的版本。
LMS采樣器：線性多步法，與歐拉采樣器速度相仿，但是更準(zhǔn)確。

（2）、祖先采樣器 （名稱(chēng)中有一個(gè)字母 a 的）

包含 :Euler a \ DPM2 a \DPM++2S a \DPM2 a Karras \DPM++2S a Karras

這些采樣器會(huì)在每個(gè)采樣步驟中，向圖像添加噪聲，因此具有一定的隨機(jī)性。

注意：部分采樣器的名字中雖然沒(méi)有明確標(biāo)識(shí)屬于祖先采樣器，但也屬于隨機(jī)采樣器。

（3）、DDIM、PLMS（已過(guò)時(shí)，不再使用）

• DDIM ：去噪擴(kuò)散隱式模型， 是為擴(kuò)散模型設(shè)計(jì)的第一個(gè)采樣器。
• PLMS：偽線性多步方法， 則是DDIM 更快速的替代品 。

當(dāng)前這兩種采樣方法都不再?gòu)V泛使用。

（4）、DPM 和 DPM++ 系列

DPM 和 DPM++ 體系結(jié)構(gòu)的求解器系列， 是2022年發(fā)布的用于擴(kuò)散模型的新采樣器 ，它們具有相似的結(jié)構(gòu)。

DPM的缺點(diǎn)：由于DPM會(huì)自適應(yīng)調(diào)整步長(zhǎng)，不能保證在約定的采樣步驟內(nèi)完成任務(wù)，整體速度可能會(huì)比較慢。

DPM的優(yōu)點(diǎn)：對(duì)Tag的利用率較高，在使用時(shí)建議適當(dāng)放大采樣的步驟數(shù)以獲得較好的效果。

DPM++ 是對(duì)DPM 的改進(jìn)，采用二階方法，其結(jié)果更準(zhǔn)確，但是相應(yīng)的也會(huì)更慢一些。

（5）、UniPC采樣器

這UniPC采樣器是2023年發(fā)布的新采樣器，根據(jù) ode 求解器中預(yù)測(cè)校正方法的啟發(fā)，可在5-10步內(nèi)實(shí)現(xiàn)高質(zhì)量圖像生成。

（6）、K-diffusion 采樣器

當(dāng)前常用的采樣器中，除了DDIM、PLMS與UniPC之外的采樣器均來(lái)自于k-diffusion， 通常這些采樣器都帶有 Karras 字樣。

了解了以上采樣器的分類(lèi)，相信大家對(duì)選擇采樣器，已經(jīng)可以縮小選擇的范圍了。

三、采樣器方法詳解

接下來(lái)我們根據(jù) Stable Diffusion WebUI 中采樣器的順序，對(duì)每個(gè)采樣器進(jìn)行詳細(xì)介紹。

1、Euler a

祖先采樣器的一種 ， 類(lèi)似于 Euler ，但在每個(gè)步驟中它會(huì)減去比“應(yīng)該”更多的噪聲。并添加一些隨機(jī)噪聲以匹配噪聲計(jì)劃。去噪圖像取決于前面步驟中添加的特定噪聲。

2、Euler

最簡(jiǎn)單的采樣器，在采樣過(guò)程中不添加隨機(jī)噪聲，通過(guò)噪聲計(jì)劃告訴采樣器，每個(gè)步驟中應(yīng)該有多少噪聲。并使用歐拉方法減少恰當(dāng)數(shù)量的噪聲。以匹配噪聲計(jì)劃，直到最后一步為0 為止。

3、LMS 解決常微分方程的標(biāo)準(zhǔn)方法

LMS采樣速度與Euler 相同 。

4、Heum

Heum 是對(duì)Euler 更精確的改進(jìn)，但是需要在每個(gè)步驟中預(yù)測(cè)兩次噪聲。

因此速度比Euler 慢2倍。

5、DPM2

dpm2 是Katherine Crowson在K-diffusion項(xiàng)目中自創(chuàng)的 ，靈感來(lái)源Karras論文中的DPM-Solver-2和算法2 ，受采樣器設(shè)置頁(yè)面中的 sigma參數(shù)影響。

6、DPM2 a

祖先采樣器的一種，使用 DPM2 方法 ，受采樣器設(shè)置中的ETA參數(shù)影響 。

7、DPM++2S a

隨機(jī)采樣器一種

在K-diffusion實(shí)現(xiàn)的2階單步并受采樣器設(shè)置中的ETA參數(shù)影響。

8、 DPM++2M

在Kdiffusion實(shí)現(xiàn)的2階多步采樣方法，在Hagging face Diffusers中被稱(chēng)作已知最強(qiáng)調(diào)度器。在速度和質(zhì)量的平衡最好。這個(gè)代表m的多步比上面的s單步，在采樣時(shí)會(huì)參考更多步，而非當(dāng)前步，所以能提供更好的質(zhì)量，但是也更復(fù)雜。

9、 DPM++SDE

DPM++的SDE版本，DPM++ 原本是0DE 求解器及常微分方程在Ktifusion實(shí)現(xiàn)的版本，代碼中調(diào)用了隨機(jī)采樣方法，所以受采樣器設(shè)置中的ETA參數(shù)影響。

10、 DPM fast

在Ktifusion實(shí)現(xiàn)的固定步長(zhǎng)采樣方法 ，用于steps小于20的情況。受采樣器設(shè)置中的ETA參數(shù)影響。

11、 DPM adaptive

在K-diffusion 實(shí)現(xiàn)的自適應(yīng)步長(zhǎng)采樣方法，DPM-Solver-12 和23，受采樣器設(shè)置中的ETA參數(shù)影響。

12、帶有Karras字樣的6種采樣器

LMS karras 、DPM2 karras 、DPM2 a karras 、DPM++ 2S a karras 、DPM++2M karras、DPM++ SDE karras 、DPM++2M SDE karras

這些含有Karras名字的采樣方法 都是相當(dāng)于 Karras噪聲時(shí)間表的版本。

13 、DDIM

官方采樣器之一，使用去噪后的圖像來(lái)近似最終圖像，并使用噪聲預(yù)測(cè)器估計(jì)的噪聲，來(lái)近似圖像方向。

14、PLMS

官方采樣器之一，PLMS則是DDIM的新版且更快速的替代品。

15、unipc

最新添加的采樣器，應(yīng)該是目前最快最新的采樣方法，10步內(nèi)實(shí)現(xiàn)高質(zhì)量圖像。

四、怎么選擇合適的采樣方法？

以下是我的建議：文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-661505.html

• 如果想快速生成質(zhì)量不錯(cuò)的圖片，建議選擇 DPM++ 2M Karras (20 -30步) 、UNIPC （15-25步）
• 如果想要高質(zhì)量的圖，不關(guān)心重現(xiàn)性，建議選擇 DPM++ SDE Karras （10-15步 較慢) ，DDIM(10-15步 較快)
• 如果想要簡(jiǎn)單的圖，建議選擇 Euler, Heun(可以減少步驟以節(jié)省時(shí)間)
• 如果想要穩(wěn)定可重現(xiàn)的圖像，請(qǐng)避免選擇任何祖先采樣器（名字里面帶a或SDE）
• 相反，如果想要每次生成不一樣的圖像，可以選擇不收斂的祖先采樣器（名字里面帶a或SDE）

到了這里，關(guān)于AI 繪畫(huà)Stable Diffusion 研究（八）sd采樣方法詳解的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！