Steps, Sampler, CFGscale, Seed，Denoising strength
之前有讲生图的一些参数分别作用是什么，但受篇幅影响，无法详尽的解释一些比较晦涩的参数，为了减少大家反复试错的成本，专门在这里列举一下生图所需参数的作用范围。内容来自自己的一些经验和一些大佬分享的，不代表绝对准确，仅供参考。如果有错误请友善提醒，以你为准。（后面有大量巨幅图片，流量报警）
Step 迭代步数
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，正常情况下更弱的去噪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。
高阶采样器如 DPM-Solver++ 更高效，花费的步数也少。
实际推理中，具体的执行步骤为 Denoising strength * Sampling Steps.
所以并不是步数越高越高，需要结合模型和出图风格做一个经验上的判断，当然，更高的步数也意味着更长的时间和可能并不不一定会更多的细节。
Samplers 采样器
一阶目前好用的有 eular，eular a，更细腻，和 DDIM，标注 ++ 的采样器为高阶求解器，有更少的步数更多的细节，更快的实现。
新手推荐使用 eular a
eular a 富有创造力，不同步数可以生产出不同的图片。PS：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 eular 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，因此也是最快的之一
高阶采样器为 DPM-Solver++，你可以使用 DPM++ 2S a 来尝试。实验表明 **DPM-Solver++**可以 只需 15 到 20 个步骤即可生成高质量的样本，用于引导采样 像素空间和潜在空间 DPM。
采样器经验（仅供参考）
Euler a:适合插画，tag利用率仅次于DPM2和DPM2 a，环境光效菜，构图有时奇葩Euler:柔和，也适合插画，环境细节与渲染好，背景模糊较深。Heun:单次出图平均质量比Euler和Euler a高，但速度最慢，高step表现好DDIM: 适合宽画，速度偏低，高step表现好，负面tag不够时发挥随意，环境光线与水汽效果好，写实不佳**DPM2:**该采样方法对tag的利用率最高，几乎占80%+**DPM2 a:几乎与DPM2相同，对人物可能特写PLMS:**单次出图质量仅次于Heun。**LMS:质感AO，饱和度与对比度偏低，更倾向于动画风格LMS Karras:**会大改成油画风格，写实不佳。DPM fast: 此为上届开发者所遗留的测试工具，不适合魔术师使用。
采样器参考图
CFGscale契合度
代表无分类器指导量表，用于衡量在查找要显示的相关图像时，您希望模型与提示词有多接近。Cfg 比例值 0 将为您提供基于种子的随机图像，而 Cfg 比例为 20（SD 上的最大值）将为您提供与模型可以生成的提示最接近的匹配项。
与采样步数相似，CFGscale并不是越高越好，**过高的 CFG 会引起颜色失真，CFG 应该在 5-15 之间。**通常默认就好，可根据需求适当调高或者调低。从下图能看出，对于产品照片和简单图像，较低的cfg比例值产生了最显着的变化，而抽象图像则相反。
Seed 种子调试
实际的种子整数并不重要。它只是初始化一个定义扩散起点的随机数生成器，是一个随机初始值。
一个好的种子可以在各种提示、采样器和 CFG 中执行成分和颜色等内容。但是它现在作用有限。
在相同 Step ，cfg ，Seed, 参数（prompts） 的情况下，生产的图片基本相同！
在同一模型和后端实现中，保持所有参数一致的情况下，相同的种子会产生同样的图片。取决于其他参数。
但是注意，不同显卡可能会造成预料之外的不同结果（比如精度这样的参数）
Denoising strength 降低噪声
Denoising strength是图生图特有的参数，也是我们调整使用很频繁的参数。 决定算法对图像内容的保留程度，值越高 AI 对原图的参考程度就越低 （同时增加迭代次数）。可以减少对画风的束缚，但也会弱化 img2img 能力。值越高 AI 对原图的参考程度就越低 （同时增加迭代次数）。
实际执行中，具体的执行步骤为 Denoising strength * Sampling Steps.
对于以图做图来说，低 denoising 意味着修正原图，高 denoising 就和原图就没有大的相关性了。一般来讲阈值是 0.7 左右，超过 0.7 和原图基本上无关，0.3 以下就是稍微改一些。
还可以低 CFG 高 denoise 重绘图，高 CFG 低 denoise 改细节
个人比较喜欢在0.5左右然后再根据需求调整。是个比较“敏感”的参数，一动就能看到效果的，很好上手。
关于AI绘画技术储备
学好 AI绘画 不论是就业还是做副业赚钱都不错，但要学会 AI绘画 还是要有一个学习规划。最后大家分享一份全套的 AI绘画 学习资料，给那些想学习 AI绘画 的小伙伴们一点帮助！
感兴趣的小伙伴，赠送全套AIGC学习资料和安装工具，包含AI绘画、AI人工智能等前沿科技教程，模型插件，具体看下方。
需要的可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
一、AIGC所有方向的学习路线
AIGC所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照下面的知识点去找对应的学习资源，保证自己学得较为全面。
二、AIGC必备工具
工具都帮大家整理好了，安装就可直接上手！
三、最新AIGC学习笔记
当我学到一定基础，有自己的理解能力的时候，会去阅读一些前辈整理的书籍或者手写的笔记资料，这些笔记详细记载了他们对一些技术点的理解，这些理解是比较独到，可以学到不一样的思路。
四、AIGC视频教程合集
观看全面零基础学习视频，看视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。
五、实战案例
纸上得来终觉浅，要学会跟着视频一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。
这份完整版的学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
评论(0)