采样 / 采样器(Sampling / Sampler)
采样 / 采样器(Sampling / Sampler)是什么？
采样器是一种算法,控制 AI 扩散模型如何从随机噪声一步步走向成品图像。不同采样器在不同速度下达到不同的质量水平,各自带有独特的视觉性格。
一图看懂
- 别称
- 采样算法扩散采样器调度器(相关术语,有时被混用)
- 主要用途
- 在扩散生成中控制从噪声到图像的去噪轨迹在生成质量与生成速度之间取得平衡影响生成输出的视觉性格与纹理
- 常用工具
- Automatic1111 (extensive sampler options)ComfyUIInvokeAIAll diffusion-based generation platforms
- 相关术语
- Diffusion modelNoise / noise levelCFG scaleStepsSeedLatent space
- How it works in simple terms
- 采样器定义了模型在逐步清理噪声以产出最终图像时所走的数学路径。有些路径更快但更粗糙;另一些更慢但能产出更细腻的细节。路径的选择既影响你多快抵达图像,也影响你抵达时图像的样子。
- Where you encounter this
- 在大多数 Stable Diffusion 界面(Automatic1111、ComfyUI、InvokeAI)以及一些其他高级生成平台中,采样器选择会以下拉选项的形式出现。面向消费者的平台往往自动选定采样器,把它从用户的控制范围中移除。
准备好开始创作了吗？
执导场景、设计角色、完成整部影片
一站式 AI 创作平台，定价简单透明，无速度节流，搭配无限 Canvas，让创作发挥到极致。
对比与差异
Compared with related concepts
采样器与噪声调度相关但并不相同。噪声调度定义了噪声如何分布在各个去噪时间步上:也就是从最大噪声到最小噪声这一过渡的数学形态。采样器定义的则是逐步实现这一过渡的算法。不同的采样器与调度组合会产出不同的输出特性,许多高级生成界面允许分别选择两者。采样器与噪声调度共同决定去噪轨迹的质量;模型学到的权重决定在这条轨迹上重建出什么。
可以这样理解…
采样器就像导航应用所用的路径规划算法:给定相同的起点(噪声)与相同的终点(提示词所描述的图像),不同的算法会选择不同的路线,在速度与沿途风景之间做出不同取舍,最终抵达终点时也会得到略有差异的版本。
实用提示
在试验采样器时,用完全相同的提示词、种子与步数来测试,以分离出它们各自对输出的影响。用五个不同采样器配以相同设置生成同一提示词,建立起对“每个采样器如何影响你正在使用的具体模型”的视觉直觉。把结果记录下来:哪个采样器产出最平滑的肤色、最锐利的边缘细节、最贴合提示词的色彩;然后用这些认识为具体的生成目标做出有依据的采样器选择,而不是对所有任务都默认用同一个采样器。
类型与变体
DDIM(Denoising Diffusion Implicit Models)是最早的快速采样器之一,能以比原始 DDPM 方法更少的步数完成高质量生成。Euler 与 Euler Ancestral 应用广泛,在质量与速度之间取得不错的平衡。DPM-Solver 与 DPM++ 变体是高效的基于 ODE 的采样器,能用相对较少的步数产出高质量输出。Ancestral 采样器(标记为“a”)会在每一步引入随机性,使不同运行间的输出有所差异。非 ancestral(确定性)采样器在相同种子下产出完全一致的输出。DDPM 是最初的随机采样器,质量高但需要很多步数。多种采样器的 Karras 变体采用一种特定的噪声调度,通常能提升输出质量。
准备好在 Morphic 里做第一个场景了吗？
试用 Morphic常见使用场景
在任何把输出质量、速度与画面性格都视为重要考量的扩散模型生成工作流中,采样器选择都是有意义的。对于快速原型与探索,步数更低的快速采样器能加快迭代。对于要求最高质量的最终成品生成,质量更高、步数充足的采样器能产出最佳结果。对于探索不同采样器如何影响同一提示词的创作场景,系统性地对比采样器是理解某个具体模型输出特性的有效方法。
准备好开始创作了吗？
执导场景、设计角色、完成整部影片
一站式 AI 创作平台，定价简单透明，无速度节流，搭配无限 Canvas，让创作发挥到极致。
常见问题（FAQ）
采样器是一种算法,控制扩散模型如何迭代地去除噪声,从一个起始噪声场产出成品图像。它定义了从最大噪声到解析图像的数学路径,在生成质量、速度与输出的视觉性格之间做出权衡。不同采样器在相同的提示词与设置下会产出明显不同的结果。
不同采样器产出不同的质量特性:有的更平滑、更柔和;有的更锐利、更具细节。有的用更少的步数就收敛到高质量;有的需要更多步数才能达到最佳结果。采样器还会影响输出对提示词的贴合程度,以及向创造性诠释偏离的倾向。不同采样器之间的“质量，速度”取舍差异显著。
Ancestral 采样器在每一步去噪中引入一定程度的随机性,意味着即使种子相同,不同运行也可能产出略有差异的输出。非 ancestral(确定性)采样器在相同的种子、步数与设置下产出完全一致的结果。Ancestral 采样器(常标记为“a”,如 Euler a)能产出更多变、有时更具创造性的输出;非 ancestral 采样器则提供更强的可复现性。
步数需求因采样器而异。一些较旧或随机性的采样器需要 50–100 步才能获得良好质量。DPM++ 2M Karras 或 DDIM 等更高效的现代采样器能在 20–30 步内产出出色结果。LCM 等极快采样器能在少至 4–8 步内产出可接受的输出。某个采样器在某个模型上的最佳步数,最好通过实测来确定,而不是依赖通用经验。
噪声调度定义了噪声在各去噪时间步上的数学分布:每一步存在多少噪声,以及它被削减的快慢。采样器是按照该调度实现去噪过程的算法。不同的采样器与调度组合会产出不同的质量与速度特性。许多高级界面允许分别选择两者;许多平台则把它们打包为带名称的预设。
对大多数实际用途而言,先从具体模型文档或发布说明中推荐的采样器入手,因为模型开发者通常会针对特定的采样器与模型组合进行测试和优化。DPM++ 2M Karras 被广泛视为许多 Stable Diffusion 模型上稳妥的通用选择,能用适中的步数提供高质量。Euler 与 Euler Ancestral 是可靠的标准选项。在默认值之外,系统性地试验,以理解不同采样器如何影响你的具体模型与使用场景。
许多面向消费者的平台会自动选定采样器,把它从用户的直接控制中移除,以简化界面便于普通使用。面向高级用户或开发者的平台(Automatic1111、ComfyUI)则开放完整的采样器控制。一些平台提供有限的预设选择,对应特定的采样器与调度组合。如果你的平台没有开放采样器选择,说明它已替你管理:平台已选定一个默认值,通常反映了在其部署模型上的良好表现。
DDIM(Denoising Diffusion Implicit Models)是扩散模型采样中的一个里程碑式进展,因为它证明了用远少于原始 DDPM 所需的步数也能实现高质量生成。DDPM 需要数百步,而 DDIM 能在 20–50 步内产出可比的结果,大幅缩短生成时间。DDIM 还引入了确定性采样,使相同种子能产出可复现的输出:这一特性在后续的采样器开发中成为标准。
