Stable Diffusion 采样器

Stable Diffusion 1.6 版本新推出了很多采样器，老的采样器有些已经过时了，或者是由升级替代品的，又或者是效果不好，用的很少的，所以我们要把不常用的直接舍弃掉，把好用的留下来。采样器可以分为下面三类：

• 老派采样器：
  • DDIM ：Stable Diffusion 刚出就存在的采样器，现在已经是过时的
  • DDIM CFG++ ：可逆采样器，步数少也能稳定，生成的细节可能不如 DPM 系列丰富
  • PLMS ：Stable Diffusion 刚出就存在的采样器，现在已经是过时的
  • Euler ：经典的 ODM 求解器
  • Euler a ：经典的 ODM 求解器，参数后面又 a 的代表是祖先采样器，它们生成的画面都是 不能收敛 的，这一类的祖先采样器，在每个采样步骤中，都会像图片添加一些随机的噪声，于是每一步的采样画面都会有一点点的随机性，随着采样步数的增加，它的画面或多或少都会有一些变化，这就是不收敛；而可以 收敛，就是随着采样步数的增加，最终会趋向于一个固定的定性画面。
    • 收敛 ：画面稳定，向着目标画面生成
    • 不收敛：画面带来一些随机性，能增加细节
  • Heun ：经典的 ODM 求解器，画质更好，但速度比 Euler 慢一倍，不在乎时间的可以考虑
  • LMS ：经典的 ODM 求解器，线性多步法，速度和 Euler 差不多，实测没 Euler 稳定，容易出现色块
  • LMS Karras ：经典的 ODM 求解器
• DPM采样器： 2022年发布的 DPM 算法，Stable Diffusion 绝大部分都是 DPM 算法，也是我们用的最多的算法
  • DPM2 ：DPM2 算法，画面有提升，时长增加一倍，可以用 DPM1 的算法，适当增加一点点采样步数来替代掉
  • DPM2a ：DPM2 算法，画面有提升，时长增加一倍，可以用 DPM1 的算法，适当增加一点点采样步数来替代掉
  • DPM2 Karras ：DPM2 算法，画面有提升，时长增加一倍，可以用 DPM1 的算法，适当增加一点点采样步数来替代掉
  • DPM2 a Karras ：DPM2 算法，画面有提升，时长增加一倍，可以用 DPM1 的算法，适当增加一点点采样步数来替代掉
  • DPM++2S a
  • DPM++2S a Karras
    • 2S：代表单步采样算法
    • 2M：代表二阶多步采样算法，增加了相邻层之间的信息传递，是 2S 的升级版本，所以 2S 相关的也可以去掉
    • Karras：带有 Karras 后缀的调度算法，相比原算法而言，在8步采样之后，噪点就会比原算法更少了(噪点越少越好)，也就是说接下来能够用更少的步数，产出更清晰的图像，相当于是优化的算法，因此同名算法只保留带有 Karras 后缀的算法即可
  • DPM++2M
  • DPM++2M Karras ：最推荐的算法，收敛，速度快，质量OK
  • DPM++2M SDE
  • DPM++2M SDE Heun
  • DPM++2M SDE Heun Karras
  • DPM++2M SDE Heun Exponential
  • DPM++SDE Karras ：随机微分算法，不收敛，高品质，速度慢
    • SDE：随机微分方程，是是不收敛的算法，它调用了祖先采样，所以是不收敛的算法，可以很好的生成高逼真的图像，但由于没有2M，二阶多步采样器的支持，所以它生成的速度会慢一些，一般我们再选真实系，追求画质的时候，回旋这个算法
  • DPM++2M SDE Exponential ：指数算法，不收敛，细节少些，画面柔和、干净
    • Exponential：1.6 版本新增的调度算法，指数的意思，它的渲染时间和 DPM++ 2M SDE Karras 差不多，但斜街会丢失一些，换来的是画面更柔和，北京会更干净一些
  • DPM++2M SDE Karras ：2M和SDE的折中算法，不收敛，速度有所提升
  • DPM fast ：被淘汰的算法，可以生成不正常的东西，类似毕加索的风格
  • DPM adaptive ：不会理会设置的采样步数，时间不可控，但是质量可以
  • DPM++3M SDE
  • DPM++3M SDE Karras 3M 是 1.6 版本新增的，在速度上 3M 和 2M 并没有什么差别，基本保持一致，3M 算法需要设置更更多的采样步数，和适当的调低一点 CFG，才会有好的结果，因此，采样步数 >30 的可以考虑 3M 的算法
  • DPM++3M SDE Exponential
• 新派采样器：
  • UniPC：2023年新推出的采样器，统一 预测校正器，兼容性很好，收敛，10步左右就能生成可用画面
  • Restart：每步渲染时间长些，但只需很少的采样步数，就能生成质量相当不错的图片
  • LCM：LCM 全称 Latent Consistency Models（潜在一致性模型），它的特点是可以通过少量步骤推理合成高分辨率图像，使图像生成速度提升 2-5 倍，需要的算力也更少。官方称 LCMs 是继 LDMs（Latent Diffusion Models 潜在扩散模型）之后的新一代生成模型。LCM 适合高质量、复杂结构、高步数生成场景。更适合潜空间优化的作品，尤其是人物、建筑、CG 风格。
    • 推荐参数
      • 步数：50~100 步
      • CFG Scale：7~12
      • 适合主题：需要高细节、复杂结构或者高分辨率壁纸风格
    • 搭配其他采样器的思路
      • 可以先用 LCM 生成低噪声粗轮廓
      • 再用 Euler a 或 DPM++ 做细节渲染

Stable Diffusion 采样器速查表

这份表格整理了常用采样器，包括特点、优缺点、适用场景和推荐步数，方便在 WebUI 中快速参考。

🔹 使用建议

1. 草稿 / 快速测试

   • Euler / Euler a / DDIM / Restart

2. 高质量、高步数生成

   • DPM++ 系列 (2M / 2M SDE / 2M SDE Heun / 3M SDE)
   • LCM / UniPC

3. 生成风格和随机性要求高

   • Euler a / DPM++ SDE / LCM / UniPC

4. 速度优先

   • Euler / DDIM / UniPC

🔹 小贴士

• 权重控制：
  不同采样器对提示词敏感度不同，结合 [keyword:1.2] 可以优化效果。
• 步数选择：
  步数低 → 快速生成，草稿尝试
  步数高 → 高质量细节，复杂场景
• 组合使用：
  可以先用 LCM / DPM++ / UniPC 生成结构，再用 Euler a / DDIM / Restart 做风格或微调。

设置采样器

stable diffusion webui 在 1.9 版本更新中，把采样器和调度器（Schedule type）分开了，比如：Exponential、Karras。一般使用者默认 Automatic 就行，会根据采样器自动调取最合适的调度器。

在设置中，找到 采样方法参数

按照上面的分析，只需要保留

• Euler
• Euler a
• DDIM CFG++
• DPM++2M
• DPM++2M SDE
• DPM++2M SDE Heun
• DPM++3M SDE
• LCM
• UniPC
  

设置好之后，选择采样器的下拉列表，就会精简很多