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。
