本文目标人群：
(资料图)
希望了解webUI中提供的诸多Sampler（采样器）究竟有什么不同，并想知道如何选用合适采样器以进一步提高出图水平的人群。
缺乏AI基础知识，但想要进一步了解AI绘图基本原理的人群。
对stable diffusionAI绘图感兴趣的人群。
太长不看的总结与推荐：
兼顾生成耗时、重现性、图片质量：DPM++ 2M Karras，20-30步；UniPC，20-30步；
注重质量，且不关心重现性：DPM++SDE Karras，10-15步；DDIM，10-15步；
注重重现性：不要使用任何ancestral采样器（名字里面带a或SDE）
简单、快速、直接：Euler，或Heun，缩短步数。
正文内容：
intro：
本文内容直接来自于/samplers/。该文章很好地介绍了stable diffusion中sampler的作用、分类、原理、区别等等，解释了我在sampler方面的疑惑，因此结合个人使用体会加以翻译，以飨读者。
之前看到过几篇中文的sampler介绍，但没有一个这么深入浅出，看到这种好东西真的很难忍住分享。
如有看到类似的优秀文章，可以在评论区告诉我一声，我会酌情进行翻译整理等工作。
本人非AI行业从业人士，全凭爱好翻译，因此可能存在专有名词的直译等情况，如有专业知识的谬误，还请指正。
1.原理概述：
采样与噪声。
在生成图像的过程中，SD会先在潜空间生成完全随机的噪声。随后，噪声预测器会估计图像中的噪声，然后将预测出的噪声从图像中减去。重复该过程即可获得越来越清晰的图像。过程如下图所示。
去噪的整个过程，被称为采样（因为每经历一次去噪都会生成新的样本图像）。采样过程仅仅是整个SD模型的一部分，采样过程中采用的方法，就叫做**sampler，采样器。**具体的采样方法多种多样，通常只是速度和准确性各有不同。
噪声时间表Noise schedule
在采样过程中，采样器并不是在每一步都以均匀的“力度”（噪声水平）来改变整个图像的。在初期的时候，预测的噪声强度较大，以较大的方式改变画面。在后期，噪声强度较低，仅对画面做出微调。如下图所示。
在每一步，采样器都负责产生一个与时间表所预期的噪声水平匹配的噪声图像。
采样步数会影响每一步间需要降低的噪声强度。较高的步数有助于减小采样用力过猛导致的截断误差。下图是一个30步的噪声时间表。
概述
下面将分不同的部分，简单叙述下几类不同的sampler。
由经典的常微分方程求解方法命名的sampler
不要害怕这个小标题，sampler实际上要做的就是求解常微分方程（ODE），以下是几个可能比你我年纪都大的经典求解方法。
Euler-可能是最简单的求解方法，用欧拉法求解常微分方程
Heun-比Euler更精确但更慢
LMS（Linear multi-step method，线性多步求解）-速度与Euler相同，可能会更准确
Ancestral系列
有些sampler的名字里会带一个a，这就代表他们是Ancestral sampler祖先采样器，祖先采样器会在每一步之间向图片添加随机的噪声，因而采样结果具有一定的随机性，难以稳定复现结果。
有些采样器名字里没有带a，但是也会添加随机噪声（例如DDIM）。
采用祖先采样器生成的过程中，即便到了最后几个采样步骤，图像也在发生一定的变化（因为有新的噪声添加进来）。（即结果不收敛）
如果想在图片里引入一定的变化，更可控的方式是采用variation seed。
Karras系列
名字中带有karras的sampler是采用了karras论文中的噪声时间表（noise schedule）。它在前期噪声强度更高，而在末期噪声强度更低，如下图所示。这一定程度上有利于提高出图质量。
DDIM (Denoising Diffusion Implicit Model，去噪扩散隐式模型)和PLMS (Pseudo Linear Multi-Step method，伪线性多步法)是初始的版本SD自带的采样器。
一般被认为是过时的而不再使用。
DPM系列
DPM (Diffusion probabilistic model solver，扩散概率模型求解器)是2022年发布的为扩散模型而设计的一系列采样器。
DPM++是DPM的改进版。
DPM2是二阶版本的DPM，更准确，但更慢。
DPM++SDE和DPM++SDE Karras有与祖先采样器相同的缺点，不会收敛，而且采样步数会显著影响图像内容。
DPM adaptive会自适应地改变采样步长，因而它不能保证在你所设定的步骤内完成采样任务，可能会很慢。
UniPC
UniPC (Unified Predictor-Corrector，统一预测-校正器)是2023年新发布的采样器，受到同名的常微分方程求解法思路的影响。可以在5-10个步骤中实现高质量图像生成。
k-diffusion
这个词并不指某一个采样器，它指的是Katherine Crowson的k-diffusion Github库和与之相关的采样器，正是这个库实现了karras2022年论文中的采样方法，基本上除了DDIM、PLMS、UniPC的其他采样器都部分衍生自k-diffusion。
3.收敛性、渲染时间、出图质量
关于收敛性，图表较多且专业性较强，感兴趣的可以顺着文首链接去看原文，不感兴趣的可以看一句话总结：除了名字里带a的和带SDE的，其他的在一定步数后基本都能正常收敛，区别不算特别大。
渲染时间见下图
以Euler为标杆，基本而言可以分为三组：
与Euler类似的一阶采样器（时间与Euler相同）
需要对去噪U-Net进行两次评估的二阶采样器（时间是Euler的两倍）
DPM adaptive（会自适应改变采样步数因而格外慢，但他在收敛性方面也表现更好）
出图质量
在各种参数都一致的情况下，结果也能分成大概三组：
不带a或SDE的出图结果差异极小。
带了a或SDE的差异明显要大得多。
DPM++ fast就是bullshit。
此外，各位也可以自己试着用xyplot跑一下不同sampler的图像，这是直观、综合地比较不同sampler的最简单方式之一。
4.其他
在原网页的后文中，还有更深奥的讨论与介绍，其中详细介绍了采样步骤、如何用确定性抽样的常微分方程求解随机的采样问题等专业内容，受限于本人相关专业知识，暂不搬运。
营业执照公示信息