Stable Diffusion WebUI​​ 基础参数详解

概述

在 ​​Stable Diffusion WebUI​​ 中，​​Sampling Method（采样方法）​​ 和 ​​Schedule Type（调度类型）​​ 是影响图像生成质量、速度和风格的核心参数。理解它们的运作机制，能帮助我们更精准地控制 AI 绘画的过程，从而得到更符合预期的结果。

Sampling Method（采样方法）详解​

采样方法决定了 AI 如何从随机噪声逐步生成一张清晰的图像。不同的方法在计算方式、随机性和效率上有所区别，主要可以分为以下几类：

1. DPM 系列（Diffusion Probabilistic Models）​

DPM（扩散概率模型）系列是目前最常用的采样方法，因其在质量和速度上的平衡而广受欢迎。

• ​​DPM++ 2M​​ 是一种改进的 DPM 方法，计算效率较高，适合 20~50 步的生成，能在较少的计算量下保持不错的细节，是大多数情况下的推荐选择。
• ​​DPM++ SDE​​ 引入了随机微分方程（Stochastic Differential Equation），增加了生成过程的随机性，适合创意性较强的图像，但可能需要更多步数（30~50+）才能稳定输出。
• ​​DPM++ 2M SDE​​ 结合了 2M 的稳定性和 SDE 的随机性，比纯 SDE 更可控，适合希望有一定变化但又不希望结果过于不可预测的情况。
• ​​DPM++ 2M SDE Heun​​ 进一步使用 Heun 二阶求解器，提高了计算精度，但代价是更长的生成时间，适合对细节要求极高的场景。
• ​​DPM++ 2S a​​ 是 DPM++ 的早期版本，计算方式稍显落后，现在较少使用。
• ​​DPM++ 3M SDE​​ 是更高阶的采样方法，理论上能提供更精确的结果，但计算成本较高，适合研究或极端精细化的需求。

​​2. Euler 系列​​

Euler 方法是最基础的采样算法之一，计算简单，速度较快，但细节表现一般。

• ​​Euler​​ 是最简单的实现，适合快速生成（20~30 步），但可能缺乏精细的纹理。
• ​​Euler a（Ancestral）​​ 增加了随机性，适合希望图像有一定变化的情况，但由于其不稳定性，步数较高时可能难以控制。

​​3. Heun​​

Heun 是一种二阶求解器，比 Euler 更精确，但计算量更大，适合 30~50 步的高质量生成。

​​4. DPM2 / DPM2 a​​

• ​​DPM2​​ 是早期的 DPM 实现，计算方式较慢，但稳定性较好。
• ​​DPM2 a​​ 类似于 Euler a，增加了随机性，但同样存在不稳定的问题。

​​5. DPM fast / DPM adaptive​​

• ​​DPM fast​​ 优化了计算速度，但可能牺牲一定的质量。
• ​​DPM adaptive​​ 会自动调整步数，适合不确定最优采样步数时使用。

​​6. Restart​​

Restart 是一种实验性方法，在采样过程中会“重启”部分计算，可能有助于提高细节表现，但尚未广泛验证。

​​7. DDIM / DDIM CFG++​​

• ​​DDIM（Denoising Diffusion Implicit Models）​​ 是早期算法，速度快，但细节较少，适合 20~30 步的快速生成。
• ​​DDIM CFG++​​ 改进了 CFG（Classifier-Free Guidance）控制，可能使生成更稳定。

​​8. PLMS / UniPC / LCM​​

• ​​PLMS（Pseudo Linear Multi-Step）​​ 是较旧的采样方法，已被 DPM 系列取代。
• ​​UniPC​​ 是一种较新的方法，平衡了速度和质量，适合 20~40 步的生成。
• ​​LCM（Latent Consistency Models）​​ 专为极低步数（4~8 步）优化，适合需要快速生成的情况，但可能牺牲一定的细节。

​​Schedule Type（调度类型）详解​​

调度类型决定了噪声在采样过程中如何衰减，影响图像的平滑度和最终质量。

​​1. Automatic（自动）​​

默认选项，通常采用 ​​Karras​​ 调度，适合大多数情况。

​​2. Uniform（均匀）​​

噪声线性衰减，计算稳定但可能显得平淡，适合需要可控输出的情况。

​​3. Karras​​

基于论文改进的非线性调度，噪声衰减更智能，能提高细节表现，是目前最推荐的调度方式。

​​4. Exponential（指数）​​

噪声衰减更快，可能影响稳定性，适合希望快速收敛的情况。

​​5. Polyexponential（多项式指数）​​

比指数调度更复杂，可能在某些情况下提高质量，但计算成本较高。

​​6. SGM Uniform / KL Optimal / Align Your Steps​​

这些是实验性或理论最优的调度方式，通常用于研究或特定需求，普通用户无需优先考虑。

​​7. Simple / Normal / DDIM / Beta​​

这些是早期或特定模型的调度方式，现在较少使用。

​​其他关键参数​​

​​1. Sampling Steps（采样步数）​​

采样步数决定了 AI 迭代计算的次数，步数越高，细节越好，但耗时越长。

• ​​快速测试（20~30 步）​​：适合 Euler / DPM++ 2M。
• ​​高质量（40~50 步）​​：适合 DPM++ SDE / Heun。
• ​​极速生成（4~8 步）​​：仅限 LCM。

​​2. CFG Scale（提示词引导强度）​​

控制 AI 遵循提示词的程度：

• ​​低（1~5）​​：创意性强，但可能偏离提示。
• ​​中（7~10）​​：平衡控制与自然感（推荐）。
• ​​高（>12）​​：严格遵循提示，但可能过饱和。

​​3. Width & Height（分辨率）​​

分辨率越高，细节越丰富，但显存需求也越大：

• ​​低显存（≤6GB）​​：建议不超过 512×512。
• ​​高显存（≥8GB）​​：可尝试 768×768 或更高。

​​4. Batch Count & Batch Size​​

• ​​Batch Count​​：生成多少组图像（顺序计算）。
• ​​Batch Size​​：每组同时生成多少张（并行计算，显存需求高）。
• ​​低显存用户​​：建议 Batch Size=1，用 Count 调整数量。
• ​​高显存用户​​：可尝试 Batch Size=2~4 加速生成。

​​总结：如何选择最佳配置？​​

• ​​日常使用​​：​​DPM++ 2M + Karras + 30 步 + CFG 7~10​​（平衡速度与质量）。
• ​​高质量输出​​：​​DPM++ 2M SDE + Karras + 40~50 步 + CFG 8~12​​（细节更丰富）。
• ​​创意探索​​：​​Euler a / DPM++ SDE + Karras + 30~40 步 + CFG 5~7​​（随机性更强）。
• ​​极速生成​​：​​LCM + Karras + 4~8 步 + CFG 2~5​​（适合快速草图）。