💎内容概要
在近期，stable diffusion webui更新了1.9版本，其中包含的一项变化就是，把采样器和调度器（Schedule type）分开了，之前是合并在一起来选择的，所以这篇文章主要分两个部分，第一个部分是作者为什么把他们给分开了，第二个是采样器和调度器的概念对于设计师来说，是否需要重点理解。
✨作者怎么说
了解原作者的思路，还是得从官方更新说明上看，主要是这几个相关的帖子：
1.9.0 · AUTOMATIC1111/stable-diffusion-webui · Discussion #15498 · GitHub
这里分为两块，一块是在UI界面上增加了调度器的设置的说明：
emm，简单来说，就是没有太多说明，如果是选择了Automatic，那么会根据采样器自动调取最合适的调度器。
所以，对于使用来说，大家默认选择“Automatic”就好了。
另外还有一个相关的帖子，是关于SDXL-Lightning模型的。
原帖地址在：Sgm uniform scheduler for SDXL-Lightning models by KohakuBlueleaf · Pull Request #15325 · AUTOMATIC1111/stable-diffusion-webui · GitHub
(马赛克部分请忽略，虽然是比较正常的图片，但是csdn的图片屏蔽尺度比较神奇，我就先马赛克为净了)
SDXL-Lightning模型，大家应该之前也都了解过，可以更少的步数，更快的速度，生成质量还不错的图片，所以现在在各个模型网站上还是有一席之地的，貌似感觉比turbo模型更受欢迎一些？
在这位朋友的测试下，SGM Uniform的调度器会比其他调度器更适合lightning类型的模型，并且做了一些尝试，在Euler采样器下，4步采样，分别使用不同的调度器，生成结果如上图，的确SGM Uniform在这里看起来更好一些。
我也做了一点尝试。
模型使用的是，TAILANG XL-Lightning-2.5D 闪电_2.0.safetensors
（大家如果感兴趣也可以自行下载，不需要魔法：LiblibAI·哩布哩布AI -TAILANG XL-Lightning-2.5D 闪电_2.0.safetensors）
SGM Uniform + Euler + 4Steps
Automatic + Euler + 4Steps
SGM Uniform + Euler + 4Steps
Automatic + Euler + 4Steps
emm,从效果上看，如果都是4steps，固定种子，SGM Uniform调度器的确会好一丢丢，所以如果追求极致的话，大家还是需要记得在使用lightning模型时，记得手动更改下这个调度器。
🤿概念研究
在Stable Diffusion模型中，采样器（Sampler）和调度器（Scheduler）是生成图像过程中的关键组件，它们共同决定了生成图像的质量和速度，那么这俩概念到底意味着什么呢？
- 采样器（Sampler）：在Stable Diffusion的上下文中，采样器是指用于从噪声图像生成清晰图像的算法。这个过程被称为采样，因为它在每一步中生成一张新的图像样本。采样器通过在一系列步骤中逐渐减少噪声来生成图像，每一步都会根据预定的噪声计划（Noise Schedule）来减少噪声，并生成新的图像样本。不同的采样器有不同的算法和特性，影响着图像生成的速度和质量。
- 调度器（Scheduler）：调度器通常与采样器的概念紧密相关，它负责控制采样过程中每一步的噪声水平，也就是所谓的噪声计划（Noise Schedule）。调度器决定了在生成图像的每一步中减少多少噪声，从而影响采样过程的速度和最终图像的清晰度。在某些文献中，调度器和采样器这两个术语有时被交替使用，因为它们都涉及到控制生成过程中的噪声减少。
就算是概念解释部分，这两个词也的确很难分开，或者可以简单的理解为：采样器是图像生成过程中的降噪算法，而调度器则控制这个过程中每一步的噪声水平,两者共同作用，决定了生成图像的质量和所需时间。当然了，这两者本来就是搭配使用的，所以强行分开解释貌似也意义不大。
对于只是想生成一张图片来说的朋友，记住以下结论就好了：
📌调度器选择Automaitc就好了，除非使用了lightning类型的模型，那就手动改一下为SGM Uniform, 当然，就算是忘记修改了，问题也不大。
🎉写在最后~
去年的时候写了两门比较基础的Stable Diffuison WebUI的基础文字课程，大家如果喜欢的话，可以按需购买，在这里首先感谢各位老板的支持和厚爱~
✨StableDiffusion系统基础课（适合啥也不会的朋友，但是得有块Nvidia显卡）：
https://blog.csdn.net/jumengxiaoketang/category_12477471.html
🎆综合案例课程（适合有一点基础的朋友）：
https://blog.csdn.net/jumengxiaoketang/category_12526584.html
这里是聚梦小课堂，就算不买课也没关系，点个关注，交个朋友😄
版权归原作者 聚梦小课堂 所有， 如有侵权，请联系我们删除。