Échantillonnage / sampler

Qu’est-ce que Échantillonnage / sampler ?

Un Sampler est l'algorithme qui contrôle comment un modèle de diffusion IA passe du bruit aléatoire à une image finie. Différents samplers atteignent différents niveaux de qualité à différentes vitesses, et chacun a ses propres caractéristiques visuelles.

En un coup d’œil

Aussi appelé
Algorithme de samplingSampler de diffusionScheduler (terme apparenté, parfois utilisé de manière interchangeable)
Utilisé pour
Contrôler la trajectoire de débruitage du bruit vers l'image en génération par diffusionÉQuilibrer la qualité de génération avec la vitesse de générationInfluencer le caractère visuel et la texture des sorties générées
Outils courants
Automatic1111 (options de sampler étendues)ComfyUIInvokeAIToutes les plateformes de génération basées sur la diffusion
Termes liés
Modèle de diffusionBruit / niveau de bruitCFG scaleÉTapesSeedEspace latent
How it works in simple terms
Le sampler définit la route mathématique que le modèle emprunte lors du nettoyage progressif du bruit pour produire l'image finale. Certaines routes sont plus rapides mais plus brutes ; d'autres sont plus lentes mais produisent des détails plus fins. Le choix de route affecte à la fois la rapidité à laquelle vous arrivez à l'image et à quoi l'image ressemble lorsque vous y arrivez.
Where you encounter this
La sélection de sampler apparaît comme une option déroulante dans la plupart des interfaces Stable Diffusion (Automatic1111, ComfyUI, InvokeAI) et certaines autres plateformes de génération avancées. Les plateformes grand public sélectionnent souvent le sampler automatiquement, le retirant du contrôle de l'utilisateur.

Prêt à créer ?

Réalisez des scènes, créez des personnages, livrez des films entiers

Plateforme créative IA tout-en-un, avec une tarification simple et transparente, sans bridage de vitesse, et un Canvas infini pour une créativité maximale.

Essayer Morphic
Comparaison

Comparaison

Compared with related concepts

Les samplers sont liés mais distincts des programmes de bruit. Le programme de bruit définit comment le bruit est distribué à travers les étapes temporelles de débruitage : la forme mathématique de la transition du bruit maximal au minimal. Le sampler définit l'algorithme qui implémente cette transition étape par étape. Différentes combinaisons sampler-scheduler produisent différentes caractéristiques de sortie, et de nombreuses interfaces de génération avancées permettent la sélection indépendante des deux. Le sampler et le programme de bruit ensemble déterminent la qualité de la trajectoire de débruitage ; les poids appris du modèle déterminent ce qui est reconstruit le long de cette trajectoire.

Imaginez plutôt…

Un sampler est comme l'algorithme de planification d'itinéraire utilisé par une application de navigation : étant donné le même point de départ (bruit) et la même destination (l'image que le prompt décrit), différents algorithmes choisissent différentes routes, faisant différents compromis entre vitesse et qualité panoramique, et arrivant à des versions quelque peu différentes de la destination en conséquence.

Astuce de pro

Lorsque vous expérimentez avec des samplers, testez-les avec des prompts, seeds et nombres d'étapes identiques pour isoler leur effet sur la sortie. Générez le même prompt avec cinq samplers différents et les mêmes paramètres pour construire une compréhension visuelle de la façon dont chacun affecte le modèle spécifique que vous utilisez. Documentez les résultats : quel sampler produit les tons de peau les plus lisses, le détail de bord le plus net, la couleur la plus cohérente avec le prompt : et utilisez cette connaissance pour faire des choix de sampler informés pour des objectifs de génération spécifiques plutôt que de basculer vers un seul sampler pour tout.

Types et variantes

  • DDIM (Denoising Diffusion Implicit Models) a été parmi les premiers samplers rapides, permettant une génération de qualité en moins d'étapes que l'approche DDPM originale.
  • Euler et Euler Ancestral sont largement utilisés, offrant un bon équilibre de qualité et de vitesse.
  • DPM-Solver et les variantes DPM++ sont des samplers ODE haute efficacité qui produisent des sorties de haute qualité avec relativement peu d'étapes.
  • Les samplers ancestraux (marqués « a ») introduisent du hasard à chaque étape, produisant des sorties qui varient entre les exécutions.
  • Les samplers non ancestraux (déterministes) produisent des sorties identiques pour des seeds identiques.
  • DDPM est le sampler stochastique original, produisant une haute qualité mais nécessitant de nombreuses étapes.
  • Les variantes Karras de plusieurs samplers implémentent un programme de bruit spécifique qui améliore souvent la qualité de sortie.

Prêt à créer votre première scène dans Morphic ?

Essayer Morphic

Cas d’usage courants

  • La sélection de sampler est pertinente dans tout flux de travail de génération par modèle de diffusion où la qualité de sortie, la vitesse et le caractère sont tous des considérations importantes.
  • Pour le prototypage rapide et l'exploration, des samplers plus rapides avec des nombres d'étapes inférieurs permettent une itération plus rapide.
  • Pour la génération de production finale où la qualité maximale est requise, des samplers de qualité supérieure avec des nombres d'étapes adéquats produisent des résultats optimaux.
  • Pour l'exploration créative de la façon dont différents samplers affectent le même prompt, la comparaison systématique de samplers est une technique utile pour comprendre les caractéristiques de sortie d'un modèle spécifique.

Prêt à créer ?

Réalisez des scènes, créez des personnages, livrez des films entiers

Plateforme créative IA tout-en-un, avec une tarification simple et transparente, sans bridage de vitesse, et un Canvas infini pour une créativité maximale.

Essayer Morphic

FAQ

Qu'est-ce qu'un sampler en génération d'images par IA ?
Un sampler est l'algorithme qui régit comment un modèle de diffusion supprime itérativement le bruit pour produire une image finie à partir d'un champ de bruit de départ. Il définit la route mathématique du bruit maximal à l'image résolue, faisant des compromis entre la qualité de génération, la vitesse et le caractère visuel de la sortie. Différents samplers produisent des résultats notablement différents à partir de prompts et paramètres identiques.
Comment un sampler affecte-t-il la qualité de génération ?
Différents samplers produisent différentes caractéristiques de qualité : certains produisent des sorties plus lisses et plus douces ; d'autres produisent des résultats plus nets et plus détaillés. Certains convergent vers une haute qualité avec moins d'étapes ; d'autres nécessitent plus d'étapes pour des résultats optimaux. Le sampler affecte également à quel point la sortie adhère au prompt par rapport à la divergence vers une interprétation créative. Les compromis de qualité et de vitesse varient significativement entre les samplers.
Quelle est la différence entre les samplers ancestraux et non ancestraux ?
Les samplers ancestraux introduisent un degré de hasard à chaque étape de débruitage, ce qui signifie que même avec des seeds identiques, différentes exécutions peuvent produire des sorties quelque peu différentes. Les samplers non ancestraux (déterministes) produisent des résultats identiques pour des seeds, des nombres d'étapes et des paramètres identiques. Les samplers ancestraux (souvent marqués « a », par ex. Euler a) peuvent produire des sorties plus variées et parfois plus créatives ; les samplers non ancestraux offrent une plus grande reproductibilité.
Combien d'étapes ai-je besoin avec différents samplers ?
Les exigences en étapes varient significativement selon le sampler. Certains samplers plus anciens ou stochastiques nécessitent 50–100 étapes pour une bonne qualité. Des samplers modernes plus efficaces comme DPM++ 2M Karras ou DDIM peuvent produire d'excellents résultats en 20–30 étapes. Des samplers très rapides comme LCM peuvent produire des sorties acceptables en aussi peu que 4–8 étapes. Le nombre d'étapes optimal pour un sampler donné sur un modèle donné est mieux établi par des tests empiriques plutôt qu'en s'appuyant sur des directives générales.
Quelle est la relation entre le sampler et le programme de bruit ?
Le programme de bruit définit la distribution mathématique du bruit à travers les étapes temporelles de débruitage : combien de bruit est présent à chaque étape et à quelle rapidité il est réduit. Le sampler est l'algorithme qui implémente le processus de débruitage selon ce programme. Différentes combinaisons sampler-scheduler produisent différentes caractéristiques de qualité et de vitesse. De nombreuses interfaces avancées permettent la sélection indépendante des deux ; de nombreuses plateformes les regroupent en tant que préréglages nommés.
Quel sampler devrais-je utiliser ?
Pour la plupart des objectifs pratiques, commencez avec le sampler recommandé dans la documentation ou les notes de version du modèle spécifique, car les développeurs de modèles testent et optimisent généralement pour des combinaisons sampler-modèle spécifiques. DPM++ 2M Karras est largement considéré comme un choix polyvalent solide pour de nombreux modèles Stable Diffusion, offrant une haute qualité avec des nombres d'étapes modérés. Euler et Euler Ancestral sont des standards fiables. Au-delà des défauts, expérimentez systématiquement pour comprendre comment différents samplers affectent votre modèle et cas d'usage spécifiques.
Les plateformes de génération par IA grand public me permettent-elles de choisir le sampler ?
De nombreuses plateformes grand public sélectionnent le sampler automatiquement, le retirant du contrôle direct de l'utilisateur et simplifiant l'interface pour un usage général. Les plateformes avancées ou orientées développeur (Automatic1111, ComfyUI) exposent le contrôle complet du sampler. Certaines plateformes offrent une sélection limitée de préréglages qui correspondent à des combinaisons sampler-scheduler spécifiques. Si la sélection de sampler n'est pas exposée par votre plateforme, elle est gérée pour vous : la plateforme a choisi un défaut qui reflète généralement de bonnes performances sur leur modèle déployé.
Qu'est-ce que DDIM et pourquoi était-il significatif ?
DDIM (Denoising Diffusion Implicit Models) a été un développement marquant dans le sampling de modèles de diffusion car il a démontré qu'une génération de haute qualité était possible avec bien moins d'étapes que ne le nécessitait la formulation DDPM originale. Là où DDPM avait besoin de centaines d'étapes, DDIM pouvait produire des résultats comparables en 20–50, réduisant dramatiquement le temps de génération. DDIM a également introduit le sampling déterministe, permettant des sorties reproductibles pour la même seed : une propriété qui est devenue standard dans le développement de samplers ultérieurs.
Can't find what you are looking for?
Contact us and let us know.
bg