AI拡散モデル生成の文脈において、サンプリングとは、モデルの学習済みデノイズ関数を反復的に適用して開始ノイズフィールドから綺麗な画像を生成するプロセスを指します。サンプラー（またはサンプリングアルゴリズム）は、この反復的なデノイズプロセスがどのように展開するかを統治する具体的な数学的手順です。すなわち、モデルが最初のステップでの最大ノイズから最終ステップでの解決された綺麗な画像にどのように進行するか、そして生成品質、生成速度、必要なステップ数、結果として生じる出力の特性の間でどのようなトレードオフを行うかです。異なるサンプラーはノイズから画像への経路をナビゲートするために異なる戦略を実装し、同一のプロンプト、シード、モデル重みからでも異なる出力を生み出します。

利用可能なサンプラーの多様性は、同じ根底にある問題（ノイズから画像への逆拡散プロセスを数値的に積分する）を解決する異なる数学的アプローチを反映しています。DDIM（Denoising Diffusion Implicit Models）のような一部のサンプラーは、デノイズプロセスを通じてより大きく、より決定的なステップを取り、元のDDPM（Denoising Diffusion Probabilistic Models）アプローチよりも少ないステップで合理的な出力の生成を可能にします。Euler、Euler Ancestral、DPM-Solver、DEISなどの他のサンプラーは、拡散プロセスに適応された数値ODE（常微分方程式）ソルバーに基づいており、様々な品質と速度のトレードオフで高速かつ高品質な生成を可能にします。Ancestralサンプラー（Euler a、DPM2 aのような「a」バリアントを持つもの）は各サンプリングステップでランダム性を導入し、同じシードでも実行間で変動する出力を生み出します。一方、非Ancestralサンプラーは決定的で、同じシードとステップ数に対して同一の出力を生み出します。サンプラー間の実用的な違いには、許容可能な品質に必要なステップ数、出力の滑らかさやテクスチャ、プロンプト遵守の度合いと創造的な乖離、実行間の出力の安定性または変動性が含まれます。

AI生成ツールのユーザーにとって、サンプラー選択は意義深い創造的・技術的な選択ですが、その重要性はプロンプト品質とモデル選択に対して時に過大評価されます。異なるサンプラーは同じプロンプトと設定で顕著に異なる出力特性を生み出すことができます。あるサンプラーはより滑らかで柔らかいレンダリングを生み出し、他のサンプラーはよりシャープでテクスチャのある出力を生み出します。あるサンプラーは許容可能な品質により速く収束し、他のサンプラーはより多くのステップを必要とします。選択したプラットフォームで利用可能なサンプラーが、最も頻繁に使用する特定のモデルにどのように影響するかについて慣れることは、よく投資された時間であり、サンプラー選択を恣意的なデフォルトではなく意図的なクリエイティブツールにすることを可能にします。ほとんどの実用的な目的のために、特定のモデルに推奨されるデフォルトサンプラー（典型的にはモデルのリリースノートまたはコミュニティガイドで文書化されている）が最良の出発点を提供します。