AI绘画基础-迭代步数和采样方法
秋水长天 迭代步数（Steps）
迭代步数可以理解为控制生成图像精细程度的参数，增加迭代步数可以使生成的图像更加精细，但同时也会增加生成时间，而减少迭代步数则可以加快生成速度，但可能会影响图像的质量。
推荐的迭代步数通常建议在20到30步之间，这个范围提供了一个较好的平衡，既能保证生成的图像质量，又不会过度消耗资源或降低生成速度。
采样方法（Sampler）
以下内容转载自：https://zhuanlan.zhihu.com/p/690319301
Stable Diffusion 在生成图像前，会先生成一张完全随机的图像，然后噪声预测器会在图像中减去预测的噪声，随着这个步骤的不断重复最终会生成一张清晰的图像。整个去噪过程叫做采样，使用到的方法叫做采样方法或采样器。
Stable Diffusion 中的采样方法目前可以可以分为老式采样器、DPM采样器、新式采样器。
老式采样器
DDIM：已过时
PLMS：已过时
Euler：欧拉采样方法，最简单的采样器，用于得到一些简单的结果，它是完全确定性的，这意味着采样期间不会添加随机噪声。
Euler a：Euler的祖先采样器，在每个采样步骤向图像添加噪声，并且作为随机采样器，使得采样结果具有一定的随机性。
Heun：Euler 的改进版本，更准确但速度慢了一倍左右，因为它每一步需要预测噪声两次。
LMS：线性多步法，与 Euler 速度相仿，它的目的是通过巧妙地使用先前时间步骤的值来提高准确性。
LMS Karras：LMS 的 Karras 算法。
DPM采样器
DPM fast：DPM快速算法，速度和 Euler 相仿，但是生成的效果极差。
DPM adaptive：不考虑采样步数，使用自己的自适应采样步骤，且生成时间极长。
DPM2：DPM的二代算法，但是速度比 Euler 慢了一倍左右。
DPM2 a：DPM2的祖先采样器。
DPM2 Karras：DPM2 的 Karras 算法。
DPM2 a Karras：DPM2 a 的 Karras 算法。
DPM++ 2S a：DPM二阶多步算法，相当于 2S 的升级，速度和Euler差不多。
DPM++ 2M Karras：DPM++ 2M 的 Karras 算法。
DPM++ SDE：使用了祖先采样，速度比 Euler 慢了一倍左右，图像不会收敛且随着迭代步数的变化而波动。
DPM++ SDE Karras：SDE 的 Karras 算法。
DPM++ 2M SDE：2M 和 SDE 的结合，速度和 2M 一致。
DPM++ 2M SDE Karras：2M SDE 的 Karras 算法。
DPM++ 2M SDE Exponential：2M SDE 的 Exponential 算法，画面柔和，背景更干净，但是细节会少些。
DPM++ 2M SDE Heun：2M SDE Heun 算法，速度慢。
DPM++ 2M SDE Heun Karras：2M SDE Heun 的 Karras 算法。
DPM++ 2M SDE Heun Exponential：2M SDE Heun 的 Exponential 算法，画面柔和，背景更干净，但是细节会少些。
DPM++ 3M SDE：3M SDE 算法，速度和2M一致，但需要更多的迭代步数 (>30)，CFG小一些效果更好。
DPM++ 3M SDE Karras：3M SDE 的 Karras 算法。
DPM++ 3M SDE Exponential：3M SDE 的 Exponential 算法，画面柔和，背景更干净，但是细节会少些。
新式采样器
UniPC：2023 年发布的新采样器，可以在 5-10 个步骤内实现高质量的图像生成。
Restart：Stable Diffusion WebUI 1.6 新增的采样器，可以用比UniPC更少的步数生成图像。
LCM：Stable Diffusion WebUI 1.8.0 新增的采样器，需要配合专门的 LCM 大模型，可以在 6-10 个步骤内实现质量不错的图像生成，CFG 一般在 1~2 之间
总结
祖先采样器
名字中带 a 的采样器表示这类采样器为祖先采样器。这一类采样器会在每一个采样步骤中向图像添加噪声，因此采样结果具有随机性。
使用祖先采样器的缺点是图像不会收敛，因此为了保证可重复性，例如在通过多帧图像实现动画时，避免使用随机采样器。
需要注意，部分采样器的名字中虽然没有 a，但也属于随机采样器。比如名称中带有 SDE 的采样器，也使用了祖先采样，生成图像也是不收敛的。
Karras采样器
名字中带有 Karras 的采样器使用 Karras 文章中推荐的噪声计划。主要表现在噪声步长接近尾声时会更小，有助于提高图像的质量。
最终结论
Euler、Euler
快速获得简单的结果
DPM++ 2M Karras
推荐的算法，速度快，质量好，推荐步数 20~30 步
DPM++ SDE Karras
图像质量好但是不收敛，速度慢，推荐步数 10~15 步
DPM++ 2M SDE Karras
2M和SDE的结合算法，速度和2M相仿，推荐步数 20~30 步
DPM++ 2M SDE Exponential
画面柔和，细节更少一些，推荐步数 20~30 步
DPM++ 3M SDE Karras、DPM++ 3M SDE Exponential
3M 系列。步数需要 30 步以上，且 CFG 要低一些。
UniPC、Restart
更少的步数就能获得好的结果
LCM
配合专门的大模型使用，步数 6 ~10 步就可以有好的结果，CGF 1~2 之间
