【2025核心参数】Stable Diffusion生成优化全攻略：快捷键+迭代步数+采样方法

一、生成快捷键
生成按钮下的快捷键一览

1、从提示词或前次生成的图片中读取生成参数
条件：提示词输入框空的时候，才起作用
2、从提示词或前次生成的图片中读取生成参数（弹出框输入）
不知道它和直接在输入框输入的差别
3、清空提示词内容
4、表现和潜伏扩展模子
包罗的模子：嵌入式、Hypernetworks、模子、Lora
5、将所选预选样式插入到当前提示词之后
条件：先实行6
作用：将7的当前选择项的提示词填入
6、将当前提示词存储为预设样式
过程：保存提示词到7（自定义一个简称到这段提示词）
7、预设样式列表选择
二、迭代步数（采样步数）
参考文档：https://getimg.ai/guides/interactive-guide-to-stable-diffusion-steps-parameter
首先，stable diffusion的相关原理。可以把模子明确为一个迭代过程——从文本输入生成随机噪声开始的重复循环，每一步都会消除一些噪声，并随着迭代步数的增长会产生更高质量的图像。而当完成所需的步调数目时，重复就会停止。
一样平常来说，约莫25个采样步调（20个也可以）通常足以获得高质量图像，利用更多的步调可能会产生略有不同的图片，但不肯定有更好的质量。别的，当利用的步调越多，生成图像所需的时间就越多。不外在大多数环境下，额外的等候时间是不值得的。
比方，一个“太空中的小狗”的展示，迭代步数从1-100，gif图片较大可能必要肯定的等候时间），迭代步数4-7时，狗从斑点中出现。然后在生成约莫20-25个步调后，它就达到了较高质量。超过25个步调后不会造成质量的显著差异：狗的外形反复变化，但没有产生更多细节。
三、不同采样方法的区别
采样方法一览

为了生成图像，首先，在潜在空间中生成完全随机的图像，然后噪声猜测器估计图像的噪声，再从图像中减去猜测的噪声。这个过程重复十反复，末了便会得到一个干净的图像。
这个去噪过程称为采样，因为稳定扩散在每个步调中都会生成一个新的样本图像。抽样所采用的方法称为抽样器或抽样方法。
1、采样方式先容：
从现在这些采样方法来看，重要分为几个类型：Euler、LMS、Heun、DPM、DDIM、PLMS、UniPC，下面我们来具体解释一下：
   参考文档：https://stable-diffusion-art.com/samplers/https://www.reddit.com/r/StableDiffusion/comments/zgu6wd/comment/izkhkxc/?utm_source=share&utm_medium=web2x&context=3
  Euler：是最简单的采样器。它在数学上与求解常微分方程的欧拉方法相同。它是完全确定性的，这意味着采样期间不会添加随机噪声。它的一样平常步调为：
   步调1：噪声猜测器根据潜在图像估计噪声图像。
  步调2：根据噪声表计算必要减去的噪声量。这就是当前步调和下一步之间的噪声差异。
  步调3：将潜像减去归一化噪声图像（来自步调1）乘以要淘汰的噪声量（来自步调2）。
  重复步调1至3，直到噪声计划结束。
  LMS：与欧拉方法非常相似，线性多步法(LMS)是求解常微分方程的标准方法。它的目的是通过奇妙地利用先前时间步调的值来提高准确性。
Heun：是对Euler方法更准确的改进。但它每一步必要猜测噪声两次，因此比欧拉慢两倍。
DPM：DPM（扩散概率模子求解器）和DPM++（对DPM的改进）是为2022年发布的扩散模子设计的新采样器，它们代表了一系列具有相似架构的求解器。DPM自顺应可能会很慢，因为它不能保证在采样步调数内完成。
DPM2：DPM和DPM2类似，只不外DPM2的DPM-Solver-2算法，求解器准确到二阶。（更准确但速率更慢，文献：https://arxiv.org/abs/2206.00927）。
DDIM和PLMS：DDIM（去噪扩散隐式模子）和PLMS（伪线性多步方法）是原始稳定扩散v1附带的采样器。DDIM是最早为扩散模子设计的采样器之一。PLMS是DDIM更新、更快的替代方案。它们通常被认为已颠末时而且不再广泛利用。
UniPC（Unified Predictor Corrector方法）是2023年新开发的扩散采样器，由两部分构成：统一猜测器(UniP)、统一校正器(UniC)它支持任何求解器和噪声猜测器。
2、采样方式后缀的意思：
a：比如Euler和Euler a，这个加上的a值的是ancestral samplers（也有人称之为祖先采样器）。Ancestral samplers在每个采样步调向图像添加噪声，而且作为随机采样器，使得采样效果具有肯定的随机性。
Karras：教唆用Karras噪声表。一样平常来讲，噪声猜测器会根据潜在图像估计噪声图像，并根据噪声表计算必要减去的噪声量。第一步的噪音最大，然后噪音逐渐减小，并在末了一步降至零。（改变采样步数会改变噪声表，并使得噪音时间表变得更加平滑。采样步数越多，任何两个步之间的噪声降低越小。这有助于淘汰错误。）
下面这张图展示了原版噪声表（stable diffusion就是一个消去噪声，让图片更明晰的过程）：

常规噪声表图（来源：https://stable-diffusion-art.com/samplers/）
至于Karras噪声表，则是一个比原版更好的去噪方式。必要留意的是带有“Karras”标签的采样器并不是由Karras制作的，而是利用了来自Karras论文的程序和灵感（https://arxiv.org/abs/2206.00364）。如果细致观察，你会发现噪声的步长在靠近末端时更小，他们发现这提高了图像质量。以下是默认噪声表和Karras噪声表之间的比较：

默认噪声表和Karras噪声表之间的比较图（来源：https://stable-diffusion-art.com/samplers/）
DPMFast：是具有统一噪声表的DPM求解器的变体，因此它的速率是DPM2的两倍。（参见：https://arxiv.org/abs/2206.00927）
DPMAdaptive：是具有自顺应噪声调理的一阶DPM求解器。它会忽略你设置的步数并自顺应地确定本身的步数。（参见：https://arxiv.org/abs/2206.00927）
其他：它们的后缀名称都与其算法相关，如DPM++2M【DPM-Solver++(2M)】；DPM++SDE【DPM-Solver++(stochastic)】；DPM++2S【a-Ancestral sampling with DPM-Solver++(2S) second-order steps】。
3、采样方式比较：
从速率上来看：

每种方法的相对渲染时间图（以euler a为基）（来源：https://stable-diffusion-art.com/samplers/）
上面这张图可见DPM自顺应最慢，而其他的渲染时间可以分为两组，第一组耗费约莫相同的时间（约1倍），另一组耗费约莫两倍的时间（约2倍）。这反映了求解器的顺序。二阶求解器虽然更准确，但必要对去噪U-Net举行两次评估。以是它们的速率慢两倍。
从质量上看：
这里运用BRISQUE方法测量的感知质量，具体方法见这个文章：https://learnopencv.com/image-quality-assessment-brisque/（数值越低越好）
图片来源于：https://stable-diffusion-art.com/samplers/

一个有关全部采样器的简单对照（来源：https://stable-diffusion-art.com/samplers/）
4、总结与建议
按收敛举动来分类（选择收敛=选择稳定、可重复的图像）：
不收敛：Euler_a、DPM2a、DPMFast、DDIM、PLMS、DPMAdaptive、DPM2aKarras
收敛：Euler、LMS、Heun、DPM2、DPM++2M、LMSKarras、DPM2Karras、DPM++2MKarras
按所需步调时间：
Euler_a=Euler=DPM++2M=LMSKarras（图像在高步长时退化）>
LMS=DPM++2MKarras=Heun（较慢）=DPM++2S a（较慢）=DPM++2S a Karras>
DDIM=PLMS=DPM2（较慢）=DPM2 Karras>
DPM快速=DPM2a（较慢）
利用快速且质量不错的东西，选择DPM++2M Karras，UniPC
高质量的图像而且不关心收敛，选择DPM++SDE Karras
稳定、可重复的图像，请制止利用任何ancestral samplers（加a的东西）。
简单的东西，选择Euler和或Heun。
这里直接将该软件分享出来给大家吧~
1.stable diffusion安装包

随着技术的迭代，现在 Stable Diffusion 已经可以或许生成非常艺术化的图片了，完全有赶超人类的架势，已经有不少工作被这类服务替代，比如制作一个 logo 图片，画一张假造老婆照片，画质堪比相机。
最新 Stable Diffusion 除了有win多个版本，就算说底端的显卡也能玩了哦！别的还带来了Mac版本，仅支持macOS 12.3或更高版本。

2.stable diffusion视频合集

我们在学习的时候，往往册本源码难以明确，阅读困难，这时候视频教程教程是就很得当了，生动形象加上案例实战，一步步带你入坑stable diffusion，科学有趣才能更方便的学习下去。

3.stable diffusion模子下载

stable diffusion往往一开始利用时图片等无法达到理想的生成效果，这时则必要通过利用大量训练数据，调解模子的超参数（如学习率、训练轮数、模子大小等），可以使得模子更好地顺应数据集，并生成更加真实、准确、高质量的图像。

4.stable diffusion提示词

提示词是构建由文本到图像模子解释和明确的单词的过程。可以把它明确为你告诉 AI 模子要画什么而必要说的语言，整个SD学习过程中都离不开这本提示词手册。

5.SD从0到落地实战演练

如果你能在15天内完成全部的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名SD大神的准确特征了。
这份完整版的stable diffusion资料我已经打包好，必要的点击下方插件，即可前往！