Stable Diffusion Samplers

Old-School ODE solvers

상미분 방정식(ODE)

Euler : 가장 간단한 해결 입니다.
Heun : 오일러의 더 정확하지만 느린 버전입니다.
LMS(Linear multi-step method) : 오일러와 속도는 동일하지만 (아마도) 더 정확합니다.

Ancestral samplers

Euler a
DPM2 a
DPM++ 2S a
DPM++ 2S a Karras

Ancestral samplers는 각 샘플링 단계에서 이미지에 노이즈를 추가합니다. 샘플링 결과에 임의성이 있기 때문에 확률적 샘플러 입니다.

단점은 이미지가 수렴되지 않는다는 것입니다.

Karras noise schedule

Karras 라는 라벨이 붙은 샘플러는 Karras 기사 에서 권장하는 소음 일정을 사용합니다.
주의 깊게 살펴보면 노이즈 단계 크기가 끝 부분에서 더 작아지는 것을 볼 수 있습니다.
그들은 이것이 이미지의 품질을 향상시킨다는 것을 발견했습니다.

DDIM 및 PLMS

DDIM(Denoising Diffusion Implicit Model) 및 PLMS(Pseudo Linear Multi-Step 방법)는 원래 Stable Diffusion v1 과 함께 제공되는 샘플러였습니다 .
DDIM은 확산 모델용으로 설계된 최초의 샘플러 중 하나입니다. PLMS는 DDIM의 더 새롭고 빠른 대안입니다.

일반적으로 오래된 것으로 간주되어 더 이상 널리 사용되지 않습니다.

DPM 및 DPM++

DPM (확산 확률 모델 솔버) 및 DPM++ 는 2022년에 출시된 확산 모델용으로 설계된 새로운 샘플러입니다. 이들은 유사한 아키텍처의 솔버 제품군을 나타냅니다.

DPM 과 DPM2는 DPM2가 2차라는 점을 제외하면 유사합니다(더 정확하지만 느림).

DPM++ 는 DPM보다 개선된 것입니다.

DPM 적응형은 단계 크기를 적응적으로 조정합니다. 샘플링 단계 수 내에서 완료를 보장하지 않으므로 속도가 느려질 수 있습니다.

UniPC

UniPC (Unified Predictor-Corrector)는 2023년에 출시된 새로운 샘플러입니다.
ODE 솔버의 예측-수정기 방법에서 영감을 받아 5~10단계로 고품질 이미지 생성을 달성할 수 있습니다.

k-diffusion

마지막으로, k-확산 이라는 용어를 듣고 그것이 무엇을 의미하는지 궁금했을 것입니다.
이는 단순히 Katherine Crowson의 k-diffusion GitHub 저장소 및 이와 관련된 샘플러를 나타냅니다.

저장소는 Karras 2022 기사 에서 연구된 샘플러를 구현합니다.

기본적으로 DDIM, PLMS, UniPC를 제외한 AUTOMATIC1111의 모든 샘플러는 k-diffusion에서 차용한 것입니다.