本文详细解析了 Stable Diffusion 中的采样器机制，包括去噪原理、Noise Schedule 的作用以及各类采样器（如 Euler, DPM++, UniPC, Ancestral 等）的区别。文章重点分析了采样器的收敛性、速度和图像质量三个维度的表现，并提供了针对不同需求的实用选择建议。通过对比 ODE 与 SDE 底层原理，帮助读者理解为何某些采样器不可复现。此外，还补充了实战中的参数调优技巧及常见伪影问题的排查方法，旨在为用户提供一份全面且可操作的采样器选型指南。
在使用 Stable Diffusion Web UI 进行图像生成时，采样器（Sampler）的选择对最终效果、生成速度及可重复性有着至关重要的影响。本文将深入解析采样器的原理、分类、性能差异，并提供实用的选择建议。
Stable Diffusion 模型通过一种称为'去噪'的过程来生成图像，这个过程涉及到在潜在空间中逐步从随机噪声中提取出有意义的图像特征。
下面是一个实际的采样过程示意。采样器逐渐产生越来越干净的图像。
在 Stable Diffusion 模型的去噪过程中，噪声表（noise schedule）扮演着至关重要的角色。
噪声表是一个预先定义的计划，它决定了在每一步采样过程中应用的噪声水平。
下面是一个 Noise schedule 的基本工作原理示意图：
如果我们增加采样步骤数，那么每个步骤之间的降噪幅将会变小。这有助于减少采样的截断误差。
可以比较一下 15 个步骤和 30 个步骤的噪音时间表差异：
WebUI 自带了很多不同的采样器，并且这个采样器的个数还在不停的增加。了解它们的区别对于高效工作至关重要。
让我们看一下最简单的采样器。这些采样器算法已经被发明很久很久了。它们是常微分方程 (ODE) 的老式采样器。
如果你注意观察的话，可以看到某些采样器的名称上带有一个字母'a'。比如：
他们是 Ancestral 采样器。Ancestral 采样器在每个采样步骤中都会向图像添加噪声。它们是随机采样器，因为采样结果具有一定的随机性。
当然也有很多随机采样器的名字上是不带 a 的。
使用 Ancestral 采样器的缺点是图像不会收敛。也就是说你有可能不会得到相同的结果，即使种子（Seed）相同。
还是刚刚的例子，我们比较一下使用 Euler a 和 Euler 生成的图像。(为了便于对比，我们加入了另外一个收敛的采样器)
可以看到 Euler 和 DPM++ 2M Karras 最终生成的图片其实是大致一样的，但是他们两个跟 Euler a 的结果不太相同。
所以为了可重复性，那就用收敛采样器。如果要生成细微的变化，那么可以考虑使用随机采样器。
带有'Karras'标签的采样器使用 Karras 文章中推荐的 noise schedule。和传统的采样器相比，你会发现噪声步长在接近尾声时变小了。这样的变化据说可以提高图像的质量，特别是在处理细节时。
DDIM(去噪扩散隐式模型) 和 PLMS(伪线性多步法) 是原始 Stable Diffusion v1 附带的采样器。DDIM 是首批为扩散模型设计的采样器之一。PLMS 是 DDIM 的更新、更快的替代方案。
这两个采样器已经过时了，我们通常不会使用他们，除非有特定的兼容性需求。
DPM(扩散概率模型求解器) 和 DPM++ 是专为 2022 年发布的扩散模型设计的新采样器。它们表示具有类似体系结构的求解器系列。
DPM adaptive 是自适应调整步长。所以它可能很慢，并且不能保证在采样步骤数内完成。
UniPC(统一预测器校正器) 是 2023 年发布的新采样器。受常微分方程求解器中预测变量 - 校正器方法的启发，它可以在 5-10 个步骤内实现高质量的图像生成，非常适合快速预览。
理解采样器背后的数学原理有助于更好地选择工具。
大多数传统采样器（如 Euler, Heun, DPM++ 2M）基于常微分方程求解。它们假设去噪过程是一个确定性的路径。这意味着给定相同的种子、提示词和参数，理论上应该得到完全相同的图像。这类方法通常收敛性好，适合需要精确控制输出的场景。
部分采样器（特别是带有 'a' 或 'SDE' 后缀的）基于随机微分方程。它们在去噪路径中引入了随机噪声项。这使得每次运行即使参数相同，结果也会有所不同。这在艺术创作中很有用，可以探索更多的可能性，但不利于调试和复现。
那么这么多的采样器，我们应该如何选择呢？我想我们可以从采样算法是否收敛，采样的速度和最终生成图片的质量这几个方面来具体考量需要使用什么样的采样器。
首先，对 Euler、DDIM、PLMS、LMS Karras 和 Heun 这些老式的常微分方程求解器或原始扩散求解器来说，PLMS 和 LMS Karras 收敛效果不佳。Heun 收敛得更快。
对于所有的 Ancestral 采样器来说，都是不收敛的。这些采样器有：Euler a, DPM2 a, DPM++ 2S a, DPM2 a Karras, DPM++ 2S a Karras。
DPM++ SDE 和 DPM++ SDE Karras 与 Ancestral 采样器存在相同的缺点。它们不仅不会收敛，而且图像也会随着步数的变化而显着波动。
DPM++ 2M 和 DPM++ 2M Karras 表现良好。当步数足够高时，karras 变体收敛得更快。
UniPC 收敛速度比 Euler 慢一点，但还不错。
下图是使用不同采样器的采样速度对比：
虽然 DPM adaptive 在收敛方面表现良好，但它也是最慢的。
其余的渲染时间可以分为两组，第一组花费的时间大致相同 (约 1 倍)，另一组花费的时间大约是两倍 (约 2 倍)。时间花费 2 倍的是因为他们用的是 2 阶求解器。
二阶求解器虽然更准确，但需要对去 U-Net 进行两次评估，所以它们花费的时间大概是 2 倍。
当然，前面讲的收敛和速度都是次要的，如果最终生成的图片质量不好，那么收敛和速度也就无从谈起了。
我们比较一下常用的一些采样器的最终图片效果：
大家觉得哪幅图更好？事实上，哪幅图更好是一个主观上的标准，每个人的审美观点不同，最后可能选出来不同的结果。
在实际工作中，除了选择采样器，还需要配合合适的步数和 CFG Scale。
如果您想快速、有创造力并且质量不错，那么可以这样选择：
如果您想要高质量的图像并且不关心收敛性，那么可以这样选择：
如果您喜欢稳定、可重现的图像，请避免使用任何 Ancestral 采样器。
这通常与采样步数过少或采样器选择不当有关。尝试增加步数至 30 以上，或切换到 DPM++ 2M Karras。
可能是 CFG Scale 设置过高。建议将 CFG Scale 保持在 7-9 之间，过高的值会导致色彩溢出。
检查是否使用了高阶求解器（如 DPM++ 2M）。如果是，可以尝试切换回 Euler 或 UniPC 以换取速度，或者减少采样步数。
Stable Diffusion 的采样器选择并非一成不变，而是需要根据具体的应用场景（如快速原型设计 vs 精细作品创作）进行权衡。
希望本文能帮助你更好地理解采样器机制，从而在 Stable Diffusion 的创作中获得更好的体验。
采样技术仍在快速发展，新的求解器不断涌现。建议定期关注社区动态，尝试最新的采样器以获得最佳效果。同时，结合良好的提示词工程和 LoRA 模型使用，才能最大化发挥采样器的潜力。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
