不得不说随着时代科技的进步让人工智能也得到了突破性的发展。而小编前段时间玩画画也是玩的不可自拔，你能想得到吗，一个完全不会画画的有一天也能创作出绘画作品。

1、概述

Stable Diffusion作为目前比较火的AI作画工作，已经火出圈了。相比MidJourney、DALL-E其他两个著名的AI作画工具，它以开源、免费闻名，更受大众所喜欢。

2、常见参数

作为一款AI作画工具，画质的好坏，主要受几大因素影响：模型、提示词、以及生成作画所涉及到的一些参数，如采样器、采样器迭代步数、重绘幅度及

CFG Scale等。

• Prompt（提示词）：对你想要生成的东西进行文字描述，不同模型及参数下，同样的提示词生成的图像也会不相同。它支持自然

  语法、标签语法、emoji以及颜文字等丰富的语法格式。

• Negative prompt（反向提示词）：用文字描述你不希望在图像中出现的东西， 也可以用于对正向提示词的效果微调。

• Sampling method（采样器）：我们知道Stable Diffusion是一种基于扩散模型实现生成画像，它的过程是将以一张满是噪点的图

  为基准，一点一点地向目标（prompt）“扩散”靠近。这就是扩散采样器工作的地方。简单地说，这些采样器是一种算法，它在

  每一步之后将生成的图像与文本提示符要求的图像进行比较，然后对噪声添加一些更改，直到逐渐达到与文本描述相匹配的图像。
  

  常见的采样器及其特性见下：1. Euler a：富有创造力，是一种基于时间步长大小的可调控制参数，适当的迭代步长值能够捕捉到

  细节和纹理，但如果值太大会导致过度拟合，生成图像可能出现噪点等不良效果。适合场景：二次元图像、小场景2. DDIM: 收敛

  快，可以快速生成高质量图像，但需要配合较高的迭代步数去使用，随着步数增加可以叠加细节。适合场景：写实人像、复杂场景

  3. DPM++2S a Karras：可以生成高质量的图像，随着迭代步数增加，画像细节会逐步增加与完善，相比其它采样器，可以在

  小分辨率画像中，容纳更多的细节。适合场景：写实人像、复杂场景4. DPM++ 2M Karras：是一种二阶扩展概率模型求解的算

  法，可以在速度与质量之间进行平衡，并生成更精确的图像及其细节。适合场景：二次元图像、三次元图像5. DPM++ KDE

  Karras: 也是一种二阶扩展概率模型求解的算法，随着迭代步数的增加，整体出图细节会跟着进行变化。适合场景：写实人像、复

  杂场景

• Sampling Steps（采样步数）：扩散模型的工作方式是从随机高斯噪声向符合提示的图像迈出小步。这样的步骤应该有多少个。

  更多的步骤意味着从噪声到图像的更小、更精确的步骤。增加这一点直接增加了生成图像所需的时间。回报递减，取决于采样器。

  一般建议值在20-30，根据不同的采样器，需要进行调整

• CFG Scale（无分类指导规模）：控制图像与提示词之间的契合度，这个值越高，生成的图像也越接近你的提示词，但它也在一定

  程度上降低了图像质量，可以用更多的采样步数来抵消。过高的 CFG Scale 体现为粗犷的线条和过锐化的图像。一般建议在7-

  15。

• Batch count/n_iter：每次生成图像的组数。一次运行生成图像的数量为 Batch count * Batch size。

• Batch size：同时生成多少个图像。增加这个值可以提高性能，但你也需要更多的 VRAM。图像总数是这个值乘以批次数。除

  4090 等高级显卡以外通常保持为 1。

• Width：图像的宽度，像素。要增加这个值，你需要更多的显存。大尺度的图像一致性会随着分辨率的提高而变差（模型是在

  512x512 的基础上训练的）。这个值必须是 8 的倍数。一般建议不超过基础模型的训练图集宽度，否则容易出现图崩。

• Height：图像高度。同上，一般建议不超过基础模型的训练图集高度，否则容易出现图崩。

• Seed：随机数的起点。保持这个值不变，可以多次生成相同（或几乎相同，如果启用了 xformers）的图像。没有什么种子天生就

  比其他的好，但如果你只是稍微改变你的输入参数，以前产生好结果的种子很可能仍然会产生好结果。

3、参数搭配效果验证

为了更好的了解各个参数及其详细的出图效果，我在自己的笔记本上花了两天 左右的时间，进行了相关的验证。（显卡：Nvidia GeForce RTX2060, 6G)

• 第一次实验(采样器与CFG Scale): 迭代步数-30， 重绘幅度-0.7

采样器与CFG Scale

实验个人总结：
1、采样器LMS、PLMS、DPM fast可以直接丢弃，容易出乱图，脸崩。

2、Euler、Heun、DPM2、DPM++ 2M、LMS Karras、DPM2 Karras、DPM++ 2M Karras出图细节一致， LMS与前面有点类似，衣物细节稍有不

同。DDIM与上图人物姿势稍有不同，衣物细节不同，背景相似。PLMS与上图人物姿势相同，衣服细节不同，背景相同。UniPC，与PLMS人物有点相

似，布局相似

3、Euler a（不同CFG Scale下表现会有所区别）、DPM2 a（不同CFG Scale下表现会有所区别）、DPM adaptive*（不同CFG Scale下表现会有所区

别）、DPM++ 2S a、DPM++ 2S a Karras在出图布局上相似，但衣物细节稍有不同

4、DPM2 a Karras、当在CFG Scale在7-10之间时，以上一组类似；在小于7或者大于10时，风格独特

5、DPM++ SDE Karras、出图细节，完全风格独特

6、CFG Scale达到30，仅有Euler、Heun、DPM2 Karras可以稳定出图。在CFG Scale达到10时，除LMS、PLMS、DPM fast都可以稳定出图。在CFG Scale达到15时，LMS Karras、DPM2 a Karras、UniPC也无法稳定出图。达到20时，仅有Euler、Heun、DPM adaptive、DPM2 Karras、DPM++ 2S 

a Karras、DPM++ 2M Karras、DPM++ SDE Karras、DDIM可以稳定出图。

• 第二次实验(采样器与重绘幅度): 迭代步数-30，CFG Scale-6

采样器与重绘幅度

实验个人总结：

1、在相同采样器、CFG Scale和迭代步数下，重绘幅度的大小对于图像细节没有任何改变

• 第三次实验(采样器与迭代步数): CFG Scale-7, 重绘幅度-0.7

采样器与迭代步数

实验个人总结：
1、有些采样器会随着迭代步数的增加，导致衣物细节发生改变。如Euler a、Euler、DPM2、DPM2 a、DPM 2S a、DPM++ 2M、DPM++ SDE、LMS Karras、DPM2 Karras、DPM++ 2M Karras、DDIM、DPM fast

2、采样器不会随着迭代步数的增加，发生细节改变。如Heun、Dpm adaptive、LMS

3、采样器会随着迭代步数增加，发生动作、衣物发生变化。如DPM2 a Karras、DPM++ 2S a Karras

4、采样器会随着迭代步数增加，整体背景布局发生变化。如DPM++ KDE Karras

5、采样器会随着迭代步数增加，整体背景布局和衣物发生变化。如UniPC

6、LMS、DPM fast在超过迭代步数30后，可以稳定出图。

• 第四次实验(CFG Scale与重绘幅度): 采样器-DPM++ KDE Karras, 迭代步数-30

CFG Scale与重绘幅度

实验个人总结：

1、在相同采样器、CFG Scale和迭代步数下，重绘幅度的大小对于图像细节没有任何改变

• 第五次实验(CFG Scale与迭代步数): 采样器-DPM++ KDE Karras, 重绘幅度-0.7

CFG Scale与迭代步数

实验个人总结：
1、过高的CFG Scale在某些采样器下容易崩图，建议尽量不超过20

2、迭代步数的增加，可以增加更多出图细节或者导致构图的改变

• 第六次实验(重绘幅度与迭代步数): 采样器-DPM++ KDE Karras, CFG Scale-7

重绘幅度与迭代步数

实验个人总结：

1、在相同采样器、CFG Scale和迭代步数下，重绘幅度的大小对于图像细节没有任何改变

2、迭代步数的增加，可以增加更多出图细节或者导致构图的改变

4、参数实验验证总结

通过上面6组对参数之间搭配的验证效果，我们可以对参数的作用，及其影响作出如下一些总结（仅作参考，如有不同意见，可以留言一起探讨）：

• 重绘幅度的增加，对图像整体布局、人物动作及衣物细节不存在肉眼可见影响（专业的人员可能会发现细微的光感上面的影响）

• 大部分采样器会随着迭代步数的增加，导致从整体布局，到人物动作及衣物细节等不同程度的细节变化。

• 采样器Heun、DPM adaptive、LMS几种采样器，出图细节比较稳定，不随着迭代步数增加而发生细节变化。

• 有部分采样器之间，在相同参数下，从整体布局，到人物动作及衣物细节等存在相同或者相似的情况。如Euler、Heun、DPM2、DPM++ 2M、LMS Karras、DPM2 Karras、DPM++ 2M Karras(这组相同)，以及Euler a、DPM2 a、DPM adaptive*、DPM++ 2S a、DPM++ 2S a Karras(这组以前面相似)

• 采样器DPM++ SDE Karras，风格独特，出图与其他采样器在相同参数下，完全不一样

• 采样器LMS、PLMS、DPM fast，在低迭代步数情况下，不建议采用，容易崩图

• 大部分采样器，CFG Scale取值，建议不超过20。DPM adaptive是个例外，在高CFG Scale下能够稳定出图。

5、参考及引用

• 采样器篇-中文版

• 采样器篇-英文版

• 调参基础

  以上就是今天的所有内容，关注疯狂的美工官网，每天分享不同的电商圈动态！