大家好，我是风雨无阻。
本文适合人群：
-
希望了解stable Diffusion WebUI中提供的Sampler究竟有什么不同，想知道如何选用合适采样器以进一步提高出图质量的朋友。
-
想要进一步了解AI绘图基本原理的朋友。
-
对stable diffusion AI绘图感兴趣的朋友。
本期内容：
- 什么是采样方法 ？
- 采样方法的分类有哪些？
- 采样方法详细介绍
- 哪个采样器最好？我们该如何选择？
在 Stable Diffusion中目前已经有22种 Sampling method 采样方法 ，不同的采样方法对出图效果有不同的影响。今天，我将详细介绍这22种采样方法，以及如何选择合适的采样方法。
一、什么是采样 ？
在了解采样之前，我们得先了解 一下Stable Diffusion webui 是如何工作的，建议看看我之前的AI 绘画Stable Diffusion 研究（七）sd webui如何工作这篇文章。
我们知道 sd webui 生成图像，大致会经过以下过程：
1、为了生成图像， Stable Diffusion 会在潜在空间中生成一个完全随机的图像
2、噪声预测器会估算图像的噪声
3、噪声预测器从图像中减去预测的噪声
4、这个过程反复重复 N 次以后，会得到一个干净准确的图像
这个去噪的过程，就被称为采样。
Stable Diffusion 在这个去噪过程中，会生成一个新的样本图像。
采样中使用的方法 被称为 Sampling method （采样方法或者是采样器）。
增加采样步骤 Sampling steps 有什么影响呢？
步骤越多，每个步骤降噪越小 。这样可以减少采样过程中的截断误差。
目前Stable Diffusion 中有 22 个采样器可以使用 。
二、采样器的分类
这些采样器有什么区别呢？
为了便于使用和理解，我们可以将这些采样方法进行分类：
（1）、传统的常微分方程求解器（ODE solvers ）
包含：Euler \Heun \LMS
这三个方法历史悠久，被认为是最简单，但是不太准确的采样器。
（2）、祖先采样器 （名称中有一个字母 a 的）
包含 :Euler a \ DPM2 a \DPM++2S a \DPM2 a Karras \DPM++2S a Karras
这些采样器会在每个采样步骤中，向图像添加噪声 ，这些是祖先采样器，因为在采样结果中
具有一定的随机性。
这些采样器的缺点是，图像不会收敛。
（3）、最初官方采样器 （最初随sd v1版本发布的采样器）
DDIM、PLMS
DDIM 是为扩散模型设计的第一个采样器， PLMS 则是DDIM 更快速的替代品
（4）、DPM 和 DPM++ 系列
DPM 和 DPM++ 系列 是2022年发布的用于扩散模型的新采样器 ，它们具有相似的结构，但DPM2比DPM 更准确，不过速度较慢。
DPM++ 是对DPM 的改进，可以自适应地调整步长，但可能会很慢，并且不能保证在规定数量的采样步骤内完成。
（5）、带有Karras字样的采样器
这些采样器使用了噪声时间表 （noise schedule ），控制每个采样步骤中的噪声水平，并随着采样步骤的增加，减少了截断误差。
（6）、UniPC采样器
这UniPC采样器是2023年发布的新采样器，根据 ode 求解器中预测校正方法的启发，可在5-10步内实现高质量图像生成。
了解了以上采样器的分类，相信大家对选择采样器，已经可以缩小选择的范围了。
三、采样器方法详解
接下来我们根据 Stable Diffusion WebUI 中采样器的顺序，对每个采样器进行详细介绍。
1、Euler a
祖先采样器的一种 ， 类似于 Euler ，但在每个步骤中它会减去比“应该”更多的噪声。并添加一些随机噪声以匹配噪声计划。去噪图像取决于前面步骤中添加的特定噪声。
2、Euler
最简单的采样器，在采样过程中不添加随机噪声，通过噪声计划告诉采样器，每个步骤中应该有多少噪声。并使用欧拉方法减少恰当数量的噪声。以匹配噪声计划，直到最后一步为0 为止。
3、LMS 解决常微分方程的标准方法
LMS采样速度与Euler 相同 。
4、Heum
Heum 是对Euler 更精确的改进，但是需要在每个步骤中预测两次噪声。
因此速度比Euler 慢2倍。
5、DPM2
dpm2 是Katherine Crowson在K-diffusion项目中自创的 ，灵感来源Karras论文中的DPM-Solver-2和算法2 ，受采样器设置页面中的 sigma参数影响。
6、DPM2 a
祖先采样器的一种，使用 DPM2 方法 ，受采样器设置中的ETA参数影响 。
7、DPM++2S a
随机采样器一种
在K-diffusion实现的2阶单步并受采样器设置中的ETA参数影响。
8、 DPM++2M
在Kdiffusion实现的2阶多步采样方法，在Hagging face Diffusers中被称作已知最强调度器。在速度和质量的平衡最好。这个代表m的多步比上面的s单步，在采样时会参考更多步，而非当前步，所以能提供更好的质量，但是也更复杂。
9、 DPM++SDE
DPM++的SDE版本，DPM++ 原本是0DE 求解器及常微分方程在Ktifusion实现的版本，代码中调用了随机采样方法，所以受采样器设置中的ETA参数影响。
10、 DPM fast
在Ktifusion实现的固定步长采样方法 ，用于steps小于20的情况。受采样器设置中的ETA参数影响。
11、 DPM adaptive
在K-diffusion 实现的自适应步长采样方法，DPM-Solver-12 和23，受采样器设置中的ETA参数影响。
12、带有Karras字样的6种采样器
LMS karras 、DPM2 karras 、DPM2 a karras 、DPM++ 2S a karras 、DPM++2M karras、DPM++ SDE karras 、DPM++2M SDE karras
这些含有Karras名字的采样方法 都是相当于 Karras噪声时间表的版本。
13 、DDIM
官方采样器之一，使用去噪后的图像来近似最终图像，并使用噪声预测器估计的噪声，来近似图像方向。
14、PLMS
官方采样器之一，PLMS则是DDIM的新版且更快速的替代品。
15、unipc
最新添加的采样器，应该是目前最快最新的采样方法，10步内实现高质量图像。
四、哪个采样器最好？我们该如何选择？
以下是我的建议：
- 如果想快速生成质量不错的图片，建议选择 DPM++ 2M Karras (20 -30步) 、UNIPC （15-25步）
- 如果想要高质量的图，不关心重现性，建议选择 DPM++ SDE Karras （10-15步 较慢) ，DDIM(10-15步 较快)
- 如果想要简单的图，建议选择 Euler,Heun(可以减少步骤以节省时间)
- 如果想要稳定可重现的图像，请避免选择任何祖先采样器（名字里面带a或SDE）
- 相反，如果想要每次生成不一样的图像，可以选择不收敛的祖先采样器（名字里面带a或SDE）
