En génération d’images et de vidéos par IA, le sampling désigne le processus algorithmique qui produit une sortie à partir d’un modèle entraîné en tirant itérativement des valeurs dans les distributions de probabilité du modèle pendant l’étape de débruitage. Les différentes méthodes de sampling (souvent appelées sampleurs ou planificateurs) adoptent des approches mathématiques différentes pour parcourir les étapes de débruitage, avec des compromis entre vitesse de génération, qualité de sortie et caractère des résultats.

Les méthodes courantes incluent DDIM (Denoising Diffusion Implicit Models), qui permet une génération plus rapide avec moins d’étapes en rendant le débruitage déterministe ; Euler et Euler Ancestral ; les variantes DPM++ populaires pour leur efficacité à faible nombre d’étapes ; et DDPM, l’approche d’origine qui donne des résultats de haute qualité mais demande plus d’étapes. Le nombre d’étapes de sampling est un paramètre clé : plus d’étapes donnent en général des sorties plus affinées et cohérentes au prix d’un temps plus long, moins d’étapes génèrent plus vite mais peuvent donner des résultats plus bruts. La relation entre le choix du sampleur et le nombre d’étapes dépend du modèle ; des combinaisons différentes produisent des caractères de sortie nettement différents même à prompt et graine identiques.

Pour la plupart des créateurs sur des plateformes de génération IA, les paramètres de sampling sont soit masqués derrière des préréglages de qualité soit exposés en réglages avancés. Comprendre que le sampleur et le nombre d’étapes influencent la qualité et le caractère de la sortie aide à diagnostiquer des résultats incohérents et à faire des choix éclairés lorsque ces contrôles sont exposés.