Stable Diffusion使用指南：轻松掌握扩散过程与应用技巧

调参基础

• 常用参数介绍
  • **Prompt（提示词）：**对你想要生成的东西进行文字描述。
  • **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。
  • 
  • **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。
  • **Sampling method（采样器）：**使用哪种采样器。Euler a（ancestral 的简称）以较少的步数产生很大的多样性，但很难做小的调整。随着步数的增加，非 ancestral 采样器都会产生基本相同的图像，如果你不确定的话，可以使用 LMS。
  • **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。
  • **CFG Scale（无分类指导规模）：**图像与你的提示的匹配程度。增加这个值将导致图像更接近你的提示（根据模型），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骤来抵消。
  • **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 512×512 的基础上训练的）。非常小的值（例如 256 像素）也会降低图像质量。这个值必须是 8 的倍数。
  • **Height：**图像高度。
  • **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。
• 迭代采样步数（Sampling steps）
  • 更多的迭代步数可能会有更好的生成效果，更多细节和锐化，但是会导致生成时间变长。而在实际应用中，30 步和 50 步之间的差异几乎无法区分。
  • 太多的迭代步数也可能适得其反，几乎不会有提高。
  • 进行图生图的时候，正常情况下更弱的降噪强度需要更少的迭代步数(这是工作原理决定的)。你可以在设置里更改设置，让程序确切执行滑块指定的迭代步数。
• 采样器（Samplers）
  • 目前好用的有 Euler，Euler a（更细腻），和 DDIM。
  • 推荐 Euler a 和 DDIM，新手推荐使用 Euler a
  • Euler a 富有创造力，不同步数可以生产出不同的图片。调太高步数 (>30) 效果不会更好。
  • DDIM 收敛快，但效率相对较低，因为需要很多 step 才能获得好的结果，适合在重绘时候使用
  • LMS 和 PLMS 是 Euler 的衍生，它们使用一种相关但稍有不同的方法（平均过去的几个步骤以提高准确性）。大概 30 step 可以得到稳定结果
  • PLMS 是一种有效的 LMS（经典方法），可以更好地处理神经网络结构中的奇异性
  • DPM2 是一种神奇的方法，它旨在改进 DDIM，减少步骤以获得良好的结果。它需要每一步运行两次去噪，它的速度大约是 DDIM 的两倍。但是如果你在进行调试提示词的实验，这个采样器效果不怎么样
  • Euler 是最简单的，