Stable Diffusion研究

[aiastia]

1. 采样
2. 加载器
3. 条件
4. Latent
5. 图像
6. 遮罩
7. 高级
8. model patches
9. 实验节点
10. ControlNet预处理器动态扩散evo
11. IP适配
12. Zho模块组
13. Dave节点
14. Impact节点
15. 节点
16. RG节点
17. CFaceSwap
18. Derfu节点
19. Literals
20. 运算

[aiastia]

什么是采样方法？
在我们深入了解采样方法之前，我们首先需要理解Stable Diffusion的工作原理。Stable Diffusion通过在潜在空间中生成随机图像，利用噪声预测器估计图像噪声，然后在每个步骤中减去预测的噪声，从而逐渐生成高质量图像。这个去噪的过程就是采样方法的核心。

采样方法的分类
为了更好地理解和应用采样方法，我们将其分为以下几个分类：

经典ODE求解器

• Euler：欧拉采样方法，简单快速。
• Heun：欧拉方法的改进版本，更准确但稍慢。
• LMS：线性多步法，速度与欧拉相近但更准确。

祖先采样器
这类采样器会在每个步骤中添加噪声，具有一定随机性。

• Euler a
• DPM2 a
• DPM++2S a
• DDIM和PLMS（已过时）
• DDIM：去噪扩散隐式模型的采样器。
• PLMS：DDIM的更快速替代品。
• DPM和DPM++系列
• DPM：自适应调整步长，速度可能较慢，对Tag的利用率高。
• DPM++：二阶方法，结果更准确但较慢。

UniPC采样器
2023年发布，速度快，可在5-10步内生成高质量图像。

K-diffusion采样器
大部分采样器来自K-diffusion，具有较高的准确性和速度平衡。

采样方法详解
让我们针对不同的采样器进行更加详细的介绍：

• [ ]
• Euler a：在每个步骤中减去更多的噪声，具有一定的随机性。
• Euler：简单的采样器，通过噪声计划减少噪声。
• LMS：标准的线性多步法，速度与欧拉相近。
• Heun：Euler的改进版本，更精确但较慢。
• DPM2：采用DPM-Solver-2算法，速度受参数影响。
• DPM2 a：祖先采样器，使用DPM2方法，受参数影响。
• DPM++2S a：随机采样器，二阶方法，受参数影响。
• DPM++2M：K-diffusion中的多步方法，速度与质量平衡。
• DPM++SDE：DPM++的SDE版本，受参数影响。
• DPM fast：固定步长的采样器，用于步数较少情况。
• DPM adaptive：自适应步长的采样器，受参数影响。
• 带有Karras字样的6种采样器：基于Karras噪声时间表的版本。
• DDIM：使用去噪后的图像近似最终图像，速度较快。
• PLMS：DDIM的新版且更快速的替代品。
• UniPC：最新采样器，快速生成高质量图像。

如何选择合适的采样方法？
根据不同的需求和优先考虑因素，您可以选择不同的采样方法：

快速生成质量不错的图片：选择DPM++ 2M Karras（20-30步）或UNIPC（15-25步）。
追求高质量图像：选择DPM++ SDE Karras（10-15步，较慢）或DDIM（10-15步，较快）。
希望生成简单图像：选择Euler、Heun（可以减少步骤以节省时间）。
追求稳定可重现的图像：避免选择祖先采样器。
追求变化多样的图像：选择不收敛的祖先采样器。
总结
Stable Diffusion技术在AI绘画领域具有重要的应用价值，而选择适合的采样方法可以显著影响生成图像的质量与效率。通过本文对采样方法的分类与详细介绍，相信您已经对如何在Stable Diffusion中选择合适的采样方法有了更清晰的认识。

[aiastia]

https://guenterchao.net/stable-diffusion-101-2/