本文章为观看b站up主“叫我四胖子”视频教程过程中记录的笔记，视频教程地址：【最新版SD教程】Stable Diffusion保姆级教程 零基础入门到精通 AI人工智能绘图 轻松掌握AIGC AI动画视频 写真 设计摄影效果图一键生成_哔哩哔哩_bilibili
术语解释
什么是“a”？
在许多采样算法名称中包含的"a"表示祖先采样器。这类采样器的生成画面不收敛。
什么是收敛和不收敛？
收敛
含义：随着采样步数增加，最终会趋向于一个固定的定性画面。
优点：画面稳定，向目标画面生成。
不收敛
含义：每一个采样步骤都会添加随机噪声，因此每一步都会有一定的随机性，随着采样步数变化，画面或多或少都会有一些变化。
优点：画面带来一定随机性，能增加细节。
什么是“Karras”？
Karras：带Karras的算法相比原算法，大约在8步采样之后噪点比原算法更少，可以用更少的步数产生更清晰的图像。所以优先考虑带Karras的算法。
什么是“SDE”
SDE：随机微分方程（Stochastic Differential Equation），调用了祖先采样，所以该算法不收敛。可以很好地生成高逼真度的图像，但生成速度可能会较慢。
什么是“2M/2S”？
2S：单步算法。
2M：二阶多步算法，增加了相邻层之间的信息传递，是2S的改进算法，生成速度和质量均优于2S。
老派采样器
DDIM、PLMS、Euler a、Euler、Heun、LMS、LMS Karras（带有删除线的算法为不优先考虑使用的算法)
不考虑的算法
1.DDIM、PLMS
原因：最早的采样器已经过时。
2.Heun
原因：Euler改进算法，但速度慢一倍。
3.LMS、LMS Karras
线性多步法，速度和Euler差不多，但没Euler稳定，容易出色块。
推荐算法
Euler a、Euler
经典ODE采样器，渲染画面简单直接，不容易出错。带a的不收敛，不带a的收敛。
DPM算法
DMP2、DMP2 Karras、DMP2 a Karras、DMP2a、DPM++ 2S a、DPM++ 2S a Karras、DPM++2M、DPM++2M Karras、DPM++SDE、DPM++SDE Karras、DPM++2M SDE、DPM++2M SDE Karras、DMP++2M SDE Heun、DPM++2M SDE Heun Karras、DPM++3M SDE、DPM++3M SDE Karras、DMP++3M SDE Exponential、DMP++2M SDE Exponential、DPM++2M SDE Heun Exponential 、DPM fast（带有删除线的算法为不优先考虑使用的算法)
不考虑的算法
1.DPM fast
原因：渲染效果差，容易出现色斑。
2.DPM2、DPM2 Karras、DPM2 a Karras
原因：和DPM一代算法相比画面有提升，但渲染时长增加一倍。
3.DPM adaptive
原因：渲染效果很好，但是渲染时间不可控，并且慢的惊人。不管采样步数，自适应时长。
4.不带Karras的算法
原因：karras算法比原算法可以用更少的步数产生更清晰的图像。
5.2S
原因：2M是2S的改进算法，速度优于2S，两者之间优先考虑2M。
6.带有Heun的算法
原因：Heun画质更好，但渲染时长增加一倍
最推荐的算法
DMP++2M Karras
速度快，并且生成质量不错
DMP++SDE Karras
调用了祖先采样，所以该算法不收敛。可以很好的生成高逼真度的图像，但是由于没有2M的加持，所以生成速度会慢一些。一般在渲染真实系图片，追求高画质时可以选择这个算法。
DMP++2M SDE Karras
在上一个方法中加入了2M 二阶多步采样算法，所以生成速度更快，相当于2M Karras和SDE Karras 的折中算法，同样也是不收敛算法。
DMP++2M SDE Exponential
Exponential表示指数，它的渲染时间和DPM++2M SDE Karras差不多，但细节会丢失一些，画面更柔和，背景更干净
DMP++3M SDE Karras、DPM++3M SDE Karras Exponential
3M在渲染速度上和2M算法没有什么区别，基本保持一致。需要设置更多的采样步数，并适当调低一点CFG，才会有好的结果。如果渲染步数在30步以上，可以尝试3M算法
2023新采样器
UniPC
可以在10步左右就能生成可用的画面
Restart
可以比UniPC使用更少的步数就能生成可用的画面了
总结
这篇笔记主要整理了观看B站up主“叫我四胖子”的稳定扩散（Stable Diffusion）教程视频后的内容，涵盖了AI绘画中的关键术语、采样算法及其优缺点的详细比较，以及推荐算法的选择依据。以下是总结：## 术语解释
- **"a"**：在采样算法名中代表祖先采样器，特点是生成画面不收敛，增添随机性。
- **收敛与不收敛**：收敛意味着画面随采样步数增加逐渐稳定；不收敛则每步都引入随机噪声，保持一定随机性但细节丰富。
- **"Karras"**：带Karras的算法能在较少步数内生成更清晰的图像，减少噪声。
- **"SDE"**：随机微分方程（Stochastic Differential Equation），通过祖先采样生成高逼真度图片，但速度可能较慢。
- **"2M/2S"**：2S是单步算法；2M是二阶多步算法，相比2S速度更快、质量更优。
## 老派采样器
### 不推荐算法
- **DDIM、PLMS**：已过时。
- **Heun**：Euler的改进算法，但速度慢两倍。
- **LMS、LMS Karras**：速度与Euler相当，但不稳定且易出色块。
### 推荐算法
- **Euler a、Euler**：经典ODE采样器，渲染稳定，Euler a不收敛，Euler收敛。
## DPM算法
### 不考虑算法
- **DPM fast、DPM2系列、DPM adaptive**：渲染效果差、速度慢或时间不可控。
- **非Karras及2S算法**：Karras更高效，2S被2M替代。
- **带Heun的算法**：虽画质佳但耗时多。
### 推荐算法
- **DMP++2M Karras**：速度与质量均衡。
- **DMP++SDE Karras**：高逼真度，但速度较慢，适合追求高画质的情况。
- **DMP++2M SDE Karras**：结合2M优势，速度快且质量高，不收敛算法。
- **DMP++2M SDE Exponential**：渲染速度相近，细节稍减，背景干净。
- **DMP++3M SDE Karras系列**：与2M速度相当，需更多步数及调整CFG，适合长渲染过程。
## 2023新采样器
- **UniPC**：约10步生成可用画面。
- **Restart**：比UniPC更快生成可用画面。
这篇笔记为稳定扩散领域的初学者提供了丰富的理论和实用指南，帮助选择适合的算法来优化AI绘画的效率和质量。