AI 디퓨전 모델 생성의 맥락에서 샘플링(sampling)이란, 모델이 학습한 디노이즈 함수를 반복적으로 적용하여 시작 노이즈 필드에서 깨끗한 이미지를 만들어 내는 결과물 생성 과정을 의미합니다. 샘플러(또는 샘플링 알고리즘)는 이 반복적 디노이즈 과정이 어떻게 펼쳐지는지를 지배하는 구체적인 수학적 절차입니다. 즉, 모델이 첫 스텝의 최대 노이즈에서 마지막 스텝의 해소된 깨끗한 이미지까지 어떻게 진행하는지, 그리고 생성 품질, 생성 속도, 필요한 스텝 수, 결과물의 특성 사이에서 어떤 트레이드오프를 만들어 내는지를 정의합니다. 서로 다른 샘플러는 노이즈에서 이미지로 향하는 경로를 탐색하는 서로 다른 전략을 구현하며, 동일한 프롬프트, 시드, 모델 가중치에서도 서로 다른 결과를 만들어 냅니다.

사용 가능한 샘플러의 다양성은 동일한 기저 문제, 즉 노이즈에서 이미지로의 역디퓨전 과정을 수치적으로 적분하는 작업에 대한 서로 다른 수학적 접근을 반영합니다. 어떤 샘플러, 예를 들어 DDIM(Denoising Diffusion Implicit Models)은 디노이즈 과정에서 더 크고 결정론적인 스텝을 밟아, 원래의 DDPM(Denoising Diffusion Probabilistic Models) 접근보다 적은 스텝으로도 합리적인 결과물을 만들어 낼 수 있게 합니다. 다른 샘플러들, 예를 들어 Euler, Euler Ancestral, DPM-Solver, DEIS는 디퓨전 과정에 적용된 수치적 ODE(상미분방정식) 솔버에 기반하여, 다양한 품질-속도 트레이드오프와 함께 빠르고 고품질의 생성을 가능하게 합니다. 앤세스트럴 샘플러(Euler a, DPM2 a 같은 'a' 변형)는 각 샘플링 스텝마다 무작위성을 도입하여, 같은 시드에서도 실행마다 달라지는 결과물을 만들어 냅니다. 반면 비앤세스트럴 샘플러는 결정론적이어서, 같은 시드와 스텝 수에서 동일한 결과물을 만들어 냅니다. 샘플러 사이의 실무적 차이에는 허용 가능한 품질에 도달하기 위해 필요한 스텝 수, 결과물의 부드러움이나 텍스처, 프롬프트 충실도 대 크리에이티브 일탈의 정도, 그리고 실행 간 결과물의 안정성이나 변동성 등이 포함됩니다.

AI 생성 도구 사용자에게 샘플러 선택은 의미 있는 크리에이티브·기술적 선택이지만, 그 중요성은 프롬프트 품질이나 모델 선택에 비해 다소 과장되는 경향이 있습니다. 동일한 프롬프트와 설정에서도 서로 다른 샘플러는 눈에 띄게 다른 결과물 특성을 만들어 낼 수 있습니다. 어떤 것은 더 부드럽고 차분한 렌더를 만들어 내고, 어떤 것은 더 선명하고 텍스처가 강한 결과물을 만들어 내며, 어떤 것은 허용 가능한 품질에 더 빠르게 수렴하고, 어떤 것은 더 많은 스텝을 요구합니다. 자주 사용하는 플랫폼에서 가용한 샘플러들이 가장 자주 쓰는 특정 모델에 어떤 영향을 미치는지에 익숙해지는 것은 시간을 들일 만한 가치가 있으며, 샘플러 선택을 임의의 기본값이 아니라 의도적인 크리에이티브 도구로 만들어 줍니다. 대부분의 실무적 용도에서는, 주어진 모델에 권장되는 기본 샘플러(보통 모델 릴리스 노트나 커뮤니티 가이드에 문서화되어 있음)가 가장 좋은 출발점이 됩니다.