彻底搞定ComfyUI中的采样器和调度器

什么是采样器

众所周知，当我们使用Stable Diffusion时，它首先会创建一张充满噪声的原始图像，之后逐渐去除图像中的噪声。这个过程就像是雕刻：原始噪声图就像是雕刻的原料，去噪的过程就像是用雕刻刀去除废料，最后生成的图片就像是雕刻成型的作品。这个去噪的过程，就被称为采样。

选择何种采样器进行去噪，就好比是选择何种雕刻刀进行雕刻。采样器就是用来负责控制去噪的具体操作。

采样器的一个重要指标是收敛性。当采样器达到一个阶段，继续进行更多步骤不会再改善结果时，我们就认为图像已经达到了收敛状态。

有些采样器能够迅速收敛，非常适用于快速验证创意和想法。而其他一些采样器可能需要更长的时间或更多的步骤才能收敛，但它们通常能够提供更高质量的结果。还有一些采样器由于没有设定极限，因此永远不会收敛，这样就为创新和创造性提供了更多空间。

如果说采样器是用来负责控制去噪的具体操作，那么调度器则是负责调控去噪的程度，决定每一步去除多少噪声，以确保整个过程既高效又精准。

继续沿用雕刻的比喻，在雕刻的初期，使用较大的力度快速敲掉大块的部分是有益的，这样可以加快雕刻的整体进展。而在雕刻的最后阶段，我们需要极其细致和谨慎地处理，以便精确雕琢出细节，防止雕塑出现破损。所以选择合适的调度器也至关重要。

接下来我们根据ComfyUI中采样器的顺序，对常用的采样器进行详细介绍:

最简单的采样器，在采样过程中不添加随机噪声，通过噪声计划告诉采样器，每个步骤中应该有多少噪声。并使用欧拉方法减少恰当数量的噪声。以匹配噪声计划，直到最后一步为0 为止。

祖先采样器的一种，类似于euler。其特点是在每一个新的处理步骤中，它们会添加之前步骤中产生的随机变量。可以想象成在每个步骤清除噪声之后，又会有一部分先前的噪声被重新引入。由于每一步都会增加新的随机噪声，带有这一特性的采样器永远不会达到收敛状态。

heum是对euler更精确的改进，但是需要在每个步骤中预测两次噪声,因此速度比euler慢2倍。

dpm_2可以被视为dpm的升级版，相当于"版本2"。它在原有模型的基础上做了进一步的改良和优化。

祖先采样器的一种，使用dpm_2方法,此采样器永远不会达到收敛状态。

lms采样速度与euler相同。

dpm++是dpm的另一个升级版。dpm++使用结合确定性和概率方法的混合方法进行采样和后续的降噪。"2"表示它们是二阶模型，"s"代表单步骤，"a"表示是祖先采样器的一种，此采样器永远不会收敛。

dpm++的SDE变体，它永远不会收敛，因此即便步数增大，它也不能提供更高的质量，而是提供更多的变化，就像祖先的采样器一样。

类似于dpm++ 2s,"m"代表多步骤（Multi step）。这种方法在每一步进行多次计算，并且会考虑到之前步骤中获取的信息，从而实现更精确、更高质量的收敛，但相应地也需要更长的时间。

dpmpp_2m的SDE变体，它永远不会收敛，因此即便步数增大，它也不能提供更高的质量，而是提供更多的变化，就像祖先的采样器一样。

ddim是最先被提出的扩散模型采样器之一。它的核心想法是每一步的图片可以通过添加以下三个东西来近似：最终的图片，图像方向指向当前步骤的图像和随机噪声。可是在抵达最后一步之前我们怎么知道最终的图片呢？ddim采样器是使用去噪图片来对最终图片进行估计。

最新添加的采样器，应该是目前最快最新的采样方法，10步内实现高质量图像。

没有最好的采样器，只有最适合的采样器。

建立一个XY图表，横坐标是步数，从第5步开始，间隔四步，总共8个数值；纵坐标是上面介绍的各种采样器。

从上图中不难发现如下规律：