采样步数和采样器对比

在Stable Diffusion WebUI (AUTOMATIC1111)中使用所有 20 种类型的采样器， 5 到 150 步，生成除采样器以外具有相同条件的复杂图像，验证为每个步骤编写了多少。每个采样器

后记：自从出现了名为“ UniPC ”的新采样器后，验证对象全部改为20种。

一、验证条件

采样器测试

Euler a,Euler,LMS,Heun,DPM2,DPM2 a,DPM++ 2S a,DPM++ 2M,DPM++ SDE,DPM fast,DPM adaptive,LMS Karras,DPM2 Karras,DPM2 a Karras,DPM++ 2S a Karras,DPM++ 2M Karras,DPM++ SDE Karras,DDIM,PLMS,UniPC

这次，我们将针对这 20 个采样器。撰写本文时的所有采样器。

对于每个采样器，每一步生成一个图像，并通过写入量的变化来验证收敛速度和图案模糊的难易程度。

生成设置

生成时间参数

• hiten_1, (masterpiece:1.15763), best quality, illustration,(beautiful detailed girl:1.05), beautiful detailed glow,detailed ice,beautiful detailed water,(beautiful detailed eyes:1.05), expressionless,beautiful detailed white gloves, (floating palaces:1.2:1.05), azure hair,disheveled hair,long bangs, hairs between eyes, (skyblue dress:1.05), black ribbon,white bowties,midriff,(half closed eyes:1.15763), big forhead,blank stare,flower,large top sleeves,(ice crystal texture wings:1.15763), (Iridescence and rainbow hair:2.5:1.47746), (detailed cute anime face:1.3401), (loli:1.1025), (watercolor_:1.27628), (medium:1.05), (masterpiece:1.15763),
• Negative prompt: (ugly:1.15763), (duplicate:1.15763), (morbid:1.1025), (mutilated:1.1025), (tranny:1.15763), mutated hands,(poorly drawn hands:1.15763), blurry,(bad anatomy:1.1025), (bad proportions:1.15763), extra limbs,cloned face,(disfigured:1.15763), (more than 2 nipples:1.15763), (missing arms:1.21551), (extra legs:1.15763), mutated hands,(fused fingers:1.27628), (too many fingers:1.27628), (unclear eyes:1.15763), lowers,bad anatomy,bad hands,text,error,missing fingers,extra digit,fewer digits,cropped,worst quality,low quality,normal quality,jpeg artifacts,signature,watermark,username,blurry,bad
• Steps: ここを変更,
• Sampler: ここも変更,
• CFG scale: 5.5,
• Seed: 20221219,
• Size: 768×512,
• Model hash: 19810fe6,
• Model: berrymix,
• Clip skip: 2,
• ENSD: 31337

对每个采样器尝试以下步骤。

5,10,15,20,40,60,80,100,150

各种参数的意图

通过使用元素代码特有的长提示，描述不太可能模糊，更容易区分收敛状态。

另外，生成的尺寸为512 x 768，是常用的尺寸，增加了本次验证的实用性。

通过将 CFG Scale 变小，意图是让 AI 在输出上有一定的自由度，更容易理解采样器在生成上的差异。

另外，这个叫做“berrymix”的模型是通过合并创建的，方法和配方请看这里。

2、采样器每一步验证结果图片

X/Y Plot图片最好直接贴出来，可惜博客的图片文件长边会自动压缩到1200px以下，所以我把它分成了一个可以避开大小限制的大小。

如果按原样发布 XY 图像，它将约为 120MB，因此不幸的是这是一个自然的措施。

这样压缩的就是裙带菜。

分割的时候，上下稍微切掉一点，直接进入下图，不介意的话会有所帮助。. .

如果处于可以查看120MB文件的环境，请点击“ sampler-steps-xyplot.pdf （←约120MB慎用！！！）”查看。（它在智能手机和平板电脑上太大，无法查看。）

由于 PNG 被压缩，它被转换为非降级的 PDF。

* 更新添加的“UniPC”未包含在上述文件中。

欧拉采样器的每个步数的输出图像变化

• 采样器名称：Euler a
• 做工得体：40步以上
• 更多步骤：更多写入
• 写入上限≒收敛步数：未知
• 极高的台阶：格局变化

欧拉采样器每步数输出图像的变化

• 采样器名称：Euler
• 体面的做工：15steps或更多
• 更多步骤：更少写入
• 写入上限≒收敛步数：未知
• 极高的步数（150steps）：模式改变

LMS 采样器每步数的输出图像变化

• 采样器名称：LMS
• 做工得体：20步以上
• 更多步骤：更少写入
• 写作上限≈收敛步数：大概60步
• 极高步（150steps）：图案不变

Heun采样器每步数的输出图像变化

• 采样器名称：Heun
• 做工得体：20步以上
• 更多步骤：更少写入
• 写作上限≒收敛步数：40steps
• 极高步（150steps）：图案不变

DPM2 采样器的每个步数的输出图像变化

• 取样器名称：DPM2
• 做工得体：15步以上
• 更多步骤：更少写入
• 写作上限≒收敛步数：40steps
• 极高步（150steps）：图案不变

DPM2 a 采样器每个步数的输出图像变化

• 采样器名称：DPM2a
• 做工得体：15步以上
• 更多步骤：更多写入
• 写入上限≒收敛步数：未知
• 极高的步数（150steps）：模式改变

DPM++ 2S a 采样器每一步的输出图像变化

• 取样器名称：DPM++ 2S a
• 做工得体：10步以上
• 更多步骤：更多写入
• 写入上限≒收敛步数：未知
• 极高的步数（150steps）：模式改变

DPM++ 2M采样器每步数输出图像的变化

• 采样器名称：DPM++ 2M
• 做工得体：15步以上
• 更多步骤：更少写入
• 写作上限≒收敛步数：60steps
• 极高步（150steps）：图案不变

DPM++ SDE 采样器的每个步数的输出图像变化

• 采样器名称：DPM++ SDE
• 做工得体：10步以上
• 更多步骤：更多写入
• 写作上限≒收敛步数：80steps
• 极高步（150steps）：图案不变

DPM 快速采样器每步数的输出图像变化

• 采样器名称：DPM fast
• 做工得体：60步以上
• 更多步骤：更多写入
• 写入上限≒收敛步数：未知
• 极高的步数（150steps）：模式改变

哪里快！

DPM2快一点都不快！！！

DPM自适应采样器每步数输出图像的变化

• 采样器名称：DPM自适应
• 体面的表现：步骤无关紧要
• 随着步骤的增加：写作保持不变
• 写入上限≈收敛步数：与步数无关
• 极高步（150steps）：图案不变

DPM2 adaptive是一种特殊的采样器，即使增加步数也不会改变。

它具有忽略 Step 的数量并输出收敛的完整形式的特点。

因此，即使更改步骤，插图也不会发生任何变化。

LMS Karras 采样器每步数的输出图像变化

• 采样器名称：LMS Karras
• 体面的表现：10steps
• 添加的步骤越多：太多会中断
• 写作上限≒收敛步数：60steps
• 极高的台阶（150steps）：图案很疯狂

如果步数过多，采样器就会发疯。

DPM2 Karras 采样器的每个步数的输出图像变化

• 取样器名称：DPM2 Karras
• 体面的表现：10steps无关紧要
• 随着步数增加：写法变化不大
• 写作上限≒收敛步数：60steps
• 极高步（150steps）：图案不变

DPM2 a Karras 采样器输出图像随步数的变化而变化

• 取样器名称：DPM2 a Karras
• 体面的表现：40steps无关紧要
• 步骤越多，写法越多
• 写入上限≒收敛步数：未知
• 极高的步数（150steps）：模式已经改变

a末尾的sampler有一个特点，就是每一步pattern都在变化，但是这么大胆也是不一般的。

尽管可以享受 gacha，但它不适合快速研究。

DPM++ 2S a Karras采样器每步数的输出图像变化

• 取样器名称：DPM++ 2S a Karras
• 体面的表现：10steps
• 步骤越多，写法越多
• 写入上限≒收敛步数：未知
• 极高的步数（150steps）：模式改变

DPM++ 2M Karras 采样器输出图像随步数变化

• 取样器名称：DPM++ 2M Karras
• 体面的表现：10steps
• 随着步数增加：写法变化不大
• 写作上限≒收敛步数：40步
• 极高的台阶（150steps）：图案略有变化

DPM++ SDE Karras 采样器输出图像随步数的变化而变化

• 采样器名称：DPM++ SDE Karras
• 体面的表现：10steps
• 随着步数增加：写法变化不大
• 写作上限≒收敛步数：40步
• 极高步（150steps）：图案不变

5步准确输出构图的同时收敛早，真是太好了！

DDIM采样器每步数的输出图像变化

• 采样器名称：DDIM
• 体面的表现：10steps
• 随着步数增加：写法变化不大
• 写作上限≒收敛步数：100步
• 极高步（150steps）：图案不变

验证一步所需时间时推荐的DDIM，真的很优秀！！

PLMS 采样器每步数的输出图像变化

• 采样器名称：PLMS
• 体面的做工：20steps
• 随着步数增加：写法变化不大
• 写作上限≒收敛步数：60步
• 极高步（150steps）：图案不变

UniPC 采样器每步数的输出图像变化

• 采样器名称：UniPC
• 体面的表现：10steps
• 随着步数增加：写法变化不大
• 写作上限≒收敛步数：60步
• 极高步（150steps）：图案不变

结论总结 推荐使用哪种采样器？

总结成一张表

• 确定成分的步骤
• 可用于拼写试错的体面做工
• 收敛步骤的完善程度足以对外披露
• 备注（关于写笔记的笔记和感想）
• 综合评价

我总结了这些。

取样器名称	组成决定	做工不错	收敛	评论	推荐率 （5为最高）
欧拉	五	40	不清楚	图案因步骤而异	2个
欧拉	十	15	不清楚		3个
学习管理系统	15	20	60		3个
轩	15	20	40		3个
DPM2	15	15	40		四
DPM2a	15	15	不清楚	模式根据步骤剧烈波动	2个
DPM++ 2S 一	十	十	不清楚	模式根据步骤剧烈波动	2个
每分钟++ 2M	15	15	60		3个
DPM++ SDE	十	十	80	构图仅40步不同	2个
DPM 快	20	60	不清楚	不要被快速的名字所迷惑	1个
DPM自适应	例外	例外	例外	这是忽略步骤数并输出收敛的完整形式的一种	1个
LMS 卡拉斯	十	十	60	走 80 步或更多步后发疯	2个
DPM2 卡拉斯	五	十	60		3个
DPM2 卡拉斯	十	40	不清楚	模式根据步骤剧烈波动	2个
DPM++ 2S 卡拉斯	十	十	不清楚	模式根据步骤剧烈波动	2个
DPM++ 2M 卡拉斯	十	十	40		四
DPM++ SDE 卡拉斯	五	十	40	该模式不太可能分崩离析，从而使构图确定最快。	五
DDIM	十	十	100		3个
管理系统	十	20	60		3个
联合电脑	十	十	60	添加于 2023 年 3 月 11 日	四

为的应用选择最佳采样器的结论

推荐用于成分决定的采样器

“ DPM++ SDE Karras ”是检查是否输出了适合该法术的构图的最佳采样器。

只需 5 步即可输出非常接近收敛模式（40 步）的构图。

此外，它还有一个优良的特点，即即使重复步数，图案也不会散架，并且收敛速度很快。

法术研究推荐采样器（做工不错）

“DPM++ 2M Karras”和“DPM++ SDE Karras”是推荐的采样器，用于在输出时检查角色的表情、服装、背景等基本拼写构成是否正确。

DPM++ 2M 卡拉斯

DPM++ SDE 卡拉斯

在这两种情况下，只需 10 步即可获得合理的结果，并且由于步数导致的图案变化很小。

对于完整形式：推荐收敛最快的采样器

在编写细节直到收敛时，建议使用快速收敛的采样器，以使质量足以公开披露。

在这次验证中，最短的是40步。

以下四个采样器有 40 个收敛步骤。

• 轩
• DPM2
• DPM++ 2M 卡拉斯
• DPM++ SDE 卡拉斯

它们都是采样器，由于步数的原因，模式变化很小。

轩

DPM2

DPM++ 2M 卡拉斯

DPM++ SDE 卡拉斯

没有特别的优劣之分，所以请选择能产生喜欢的图案的采样器。

如果你被告知选择最强的采样器之一……

我个人推荐采样器“ *DPM++ SDE Karras* ” ，它可以推荐用于成分确认、中等质量和收敛，因为它是最强的。

这次经过验证， 坦白说，每个目的切换sampler很麻烦，我觉得还是一直用DPM++ SDE Karras来生成比较好，是的。

所以强烈推荐DPM++ SDE Karras 。