Stable-Diffusion模型中常见 Stable Diffusion Sampling 方法

在 Stable Diffusion 里，sampling 方法通常也叫 sampler / scheduler，本质是：模型从随机噪声开始，按某种反向去噪策略一步步生成图像。Diffusers 官方说明里，scheduler 会根据模型输出和 timestep 返回去噪后的 sample；训练时它定义加噪方式，推理时它定义如何更新 sample。( $Hugging Face$ $1$ )

1. 常见 Stable Diffusion Sampling 方法

类别	常见 sampler / scheduler	特点	适合场景
原始扩散采样	DDPM	最经典，随机性强，步数多，速度慢	论文 baseline、研究原理
确定性采样	DDIM	可用较少步数生成，结果更稳定，便于复现	img2img、可控生成、数据集复现
Pseudo Numerical	PNDM / PLMS	Stable Diffusion 早期常用默认采样器，质量稳定	通用生成、默认 baseline
Linear Multistep	LMS / K-LMS	多步数值解法，平滑稳定	通用图像生成
Euler 系列	Euler / Euler a	Euler 稳定；Euler a 带 ancestral 随机性，多样性更强	批量生成、多样化数据
Heun 系列	Heun	类似改进 Euler，质量较稳但略慢	高质量生成
DPM2 系列	DPM2 / DPM2 a / KDPM2 / KDPM2 a	二阶 DPM 采样，a 版本随机性更强	质量与多样性平衡
DPM-Solver 系列	DPM-Solver / DPM-Solver++ / DPM++ 2M / DPM++ SDE	高阶 ODE/SDE 求解器，少步数高质量	当前最常用的数据生成采样器
Karras 噪声调度	DPM++ 2M Karras / Euler Karras / LMS Karras	改进 sigma/noise schedule，常提升稳定性和细节	高质量批量合成数据
UniPC	UniPCMultistepScheduler	训练无关的快速 predictor-corrector 采样框架	少步数快速生成
DEIS	DEISMultistepScheduler	高效多步采样器	快速高质量生成
LCM / Turbo 类	LCMScheduler / SDXL-Turbo	极少步数，LCM 常见 2--4 步，SDXL Turbo 可 1 步推理	快速预览、大规模粗生成

Diffusers 官方的 scheduler 映射表中明确列出了 A1111/k-diffusion 中常见的 DPM++ 2M、DPM++ 2M Karras、DPM++ SDE、DPM2、Euler、Euler a、Heun、LMS、UniPC、DEIS 等采样器及其在 Diffusers 中的对应 scheduler。( $Hugging Face$ $1$ )

2. 重点采样器说明

DDPM

DDPM 是最原始的扩散概率模型采样方式，理论基础清晰，但推理步数通常较多，速度较慢。适合做算法理解、论文复现和 baseline，不太适合高吞吐数据生成。( $Hugging Face$ $2$ )

DDIM

DDIM 是对 DDPM 去噪过程的非马尔可夫扩展，常用于更少步数、更稳定的生成流程。它适合需要固定 seed、可重复生成、img2img 或自动标注数据构造的场景。( $Hugging Face$ $3$ )

DPM-Solver / DPM++

DPM-Solver 和 DPM-Solver++ 是专门面向 diffusion ODE 的快速高阶求解器。Diffusers 文档说明，DPM-Solver 在 20 步时通常能生成高质量样本，10 步也能得到不错结果。( $Hugging Face$ $4$ )

实际批量生成数据时，常用：

text 复制代码

DPM++ 2M Karras
DPM++ SDE Karras
DPM++ 2M
DPM++ 2S a Karras

其中 DPM++ 2M Karras 是很多 Stable Diffusion WebUI / ComfyUI 工作流中的通用高质量默认选择。

Euler / Euler a

Euler 系列简单、速度快。Euler 更稳定，Euler a 带 ancestral 随机性，生成结果变化更大。做合成数据增强时，如果你希望同一 prompt 生成更多风格变化，Euler a 比较有价值。Diffusers 官方映射中，Euler 对应 EulerDiscreteScheduler，Euler a 对应 EulerAncestralDiscreteScheduler。( $Hugging Face$ $1$ )

UniPC

UniPC 是一种训练无关的快速采样框架，由 predictor 和 corrector 组成，支持多种 diffusion 模型和不同阶数，目标是少步数下提升采样质量。( $Hugging Face$ $5$ )

LCM / SDXL Turbo

LCM 属于极少步数生成路线。Diffusers 文档说明，LCM 可以在 2--4 步 生成高质量图像，而不是传统 diffusion 常见的 20--30 步；LCMScheduler 通常用于 1--8 步生成。( $Hugging Face$ $6$ )

SDXL Turbo 是时间蒸馏后的 SDXL 模型，Diffusers 文档称其可以低至 1 step 推理。( $Hugging Face$ $7$ )

3. 做"生成数据集"时的推荐选择

高质量、稳定、通用

text 复制代码

DPM++ 2M Karras
Steps: 20--30
CFG Scale: 5--8

适合生成商品图、目标检测训练图、风格较稳定的合成数据。

更高多样性

text 复制代码

Euler a
DPM++ 2S a Karras
DPM2 a Karras
Steps: 25--40

适合做数据增强，让姿态、背景、光照、纹理变化更丰富。

快速大规模粗生成

text 复制代码

LCM
LCM-LoRA
SDXL Turbo
Steps: 1--8

适合先快速生成大量候选图，再用 CLIP / 分类器 / 检测器过滤。

可复现、可控生成

text 复制代码

DDIM
PNDM
DPM++ 2M

适合固定 seed、prompt 模板、类别标签，构建可追溯的数据生成 pipeline。

4. 结论

做 Stable Diffusion 数据生成，优先推荐：

text 复制代码

首选：DPM++ 2M Karras
多样性：Euler a / DPM++ 2S a Karras
快速：LCM / SDXL Turbo
可复现：DDIM
研究 baseline：DDPM / PNDM

对于自动标注或训练集扩充，比较实用的组合是：

text 复制代码

DPM++ 2M Karras 生成高质量主数据
Euler a 生成多样化增强数据
LCM / Turbo 生成大规模候选数据
CLIP / 检测器 / 人工审核做过滤

参考链接:

$1$ : https://huggingface.co/docs/diffusers/en/api/schedulers/overview "Schedulers · Hugging Face"

$2$ : https://huggingface.co/docs/diffusers/api/schedulers/ddpm "DDPMScheduler · Hugging Face"

$3$ : https://huggingface.co/docs/diffusers/api/schedulers/ddim "DDIMScheduler · Hugging Face"

$4$ : https://huggingface.co/docs/diffusers/en/api/schedulers/multistep_dpm_solver "DPMSolverMultistepScheduler · Hugging Face"

$5$ : https://huggingface.co/docs/diffusers/en/api/schedulers/unipc "UniPCMultistepScheduler · Hugging Face"

$6$ : https://huggingface.co/docs/diffusers/using-diffusers/inference_with_lcm?utm_source=chatgpt.com "Latent Consistency Model"

$7$ : https://huggingface.co/docs/diffusers/using-diffusers/sdxl_turbo?utm_source=chatgpt.com "Stable Diffusion XL Turbo"