Dans le contexte de la génération par modèles de diffusion d'IA, l'échantillonnage désigne le processus de production d'un rendu en appliquant itérativement la fonction de débruitage apprise par le modèle pour obtenir une image propre à partir d'un champ de bruit initial. Le sampler (ou algorithme d'échantillonnage) est la procédure mathématique spécifique qui régit le déroulement de ce débruitage itératif : comment le modèle progresse du bruit maximal à la première étape jusqu'à l'image résolue et propre à l'étape finale, et quels arbitrages il opère entre qualité de génération, vitesse de génération, nombre d'étapes requis et caractère du rendu obtenu. Différents samplers mettent en œuvre des stratégies différentes pour parcourir le chemin du bruit à l'image, produisant des rendus distincts même à partir de prompts, de seeds et de poids de modèle identiques.
La variété des samplers disponibles reflète différentes approches mathématiques d'un même problème sous-jacent : intégrer numériquement le processus de diffusion inverse, du bruit à l'image. Certains samplers, comme DDIM (Denoising Diffusion Implicit Models), franchissent des pas plus grands et plus déterministes à travers le processus de débruitage, permettant de générer des rendus raisonnables avec moins d'étapes que l'approche originale DDPM (Denoising Diffusion Probabilistic Models). D'autres, comme Euler, Euler Ancestral, DPM-Solver et DEIS, reposent sur des solveurs d'équations différentielles ordinaires (EDO) adaptés au processus de diffusion, permettant une génération rapide et de haute qualité avec divers compromis qualité-vitesse. Les samplers ancestraux — ceux portant la variante « a » comme Euler a, DPM2 a — introduisent un aléa à chaque étape d'échantillonnage et produisent des rendus qui varient d'une exécution à l'autre, même avec la même seed, tandis que les samplers non ancestraux sont déterministes et produisent des rendus identiques pour des seeds et nombres d'étapes identiques. Les différences pratiques entre samplers incluent le nombre d'étapes requis pour une qualité acceptable, le lissé ou la texture du rendu, le degré d'adhérence au prompt par rapport à la divergence créative, et la stabilité ou variabilité des rendus d'une exécution à l'autre.
Pour les utilisateurs d'outils de génération par IA, le choix du sampler est une décision créative et technique significative, même si son importance est parfois surestimée par rapport à la qualité du prompt et au choix du modèle. Différents samplers peuvent produire des caractéristiques de rendu nettement différentes avec un même prompt et des mêmes réglages : certains produisent des rendus plus lissés et plus doux ; d'autres des rendus plus nets et texturés ; certains convergent plus rapidement vers une qualité acceptable ; d'autres requièrent davantage d'étapes. Se familiariser avec la manière dont les samplers disponibles sur votre plateforme de prédilection affectent le modèle spécifique que vous utilisez le plus fréquemment est un temps bien investi, qui permet au choix du sampler de devenir un outil créatif délibéré plutôt qu'un paramètre par défaut arbitraire. Dans la plupart des cas pratiques, les samplers par défaut recommandés pour un modèle donné — typiquement documentés dans les notes de version du modèle ou les guides communautaires — constituent le meilleur point de départ.
