采样器详解

采样器（Sampler）决定扩散模型在反向去噪过程中「怎么走」——同样的噪声起点，不同采样器会走出截然不同的轨迹，最终图像的质量、速度、风格全因采样器而异。本页梳理从 DDPM 到 DPM++、再到 Rectified Flow（流匹配）的完整采样器谱系，并覆盖 2023-2025 年围绕一致性模型（Consistency Model）、少步蒸馏与 SD3/FLUX 流采样器的最新进展。前置阅读：扩散模型。

核心直觉

想象你从一座浓雾笼罩的山顶下山——山顶就是纯随机噪声，山脚是清晰图像——每一步该怎么走？

DDPM（原始采样器）= 每步只往下挪一小步，走 1000 步才到山脚。风景很精细，但路途漫长。每一步还会被随机风（噪声）吹偏一点，所以每次下山的脚印都不一样。
DDIM= 发现山路其实是「连续的」，不必每步都停——可以跳着走大步，20-50 步就能下山，快了 20-50 倍。关键在于关掉那股随机风（设噪声项为 0），让路径变成确定性的。
Euler= 最朴素的「直线走」。给定当前点，沿梯度方向一步迈出。简单但偶尔会走过头——尤其步子迈大的时候。
DPM / DPM++= 数学上更聪明的走法——把过去几步的「方向趋势」记下来，用常微分方程（ODE，一种描述连续变化的方程）预测最优路线。10-20 步就能出高质量图。
Euler a（ancestral）= 每走一步就往身上撒点沙子（随机噪声）。路径不固定、画面更有「创造性」，但每次结果不一样，步数太少会模糊。
Rectified Flow / 流匹配（2023-2025 新主流）= 不再沿着弯曲的山路绕行，而是先用一次「拉直」操作把山路整成一条几乎笔直的捷径，于是 4-8 步就能走完。Stable Diffusion 3、FLUX、SDXL Lightning 都采用了这条路。
Consistency Model（一致性模型）= 干脆把整座山压缩成一步——训练一个网络，输入任意时刻的「半成品」都能直接预测山脚的最终图像，1-4 步出图。

关键区分：ancestral（带噪声）vs deterministic（确定性）。确定性采样器给定相同噪声种子永远出同一张图；ancestral 采样器每次都不同。第二条关键区分是 离散时间（DDPM/DDIM/DPM++）vs 连续时间 + 流匹配（Rectified Flow/Flow Matching）——后者把噪声到图像的路径当作一条「概率流」整体建模，而不是 1000 个离散小步。

原理详解

反向扩散的基本框架

扩散模型的反向过程（详见扩散模型）本质上是在求解一个随机微分方程（SDE，Stochastic Differential Equation——一种带随机噪声项的微分方程）或其对应的常微分方程（ODE）。从纯噪声 x(T) 出发，每一步根据模型预测的噪声 ε 来计算 x(t-1)。

术语速解：模型真正学到的能力，是在任意噪声水平 t 下预测当前输入里「混进去了多少噪声」ε。知道了噪声就能反推出当前应有的干净图像 x₀，再据此往「更干净」的方向走一小步。

通用更新公式可以概括为：

x_{t-1} = \frac{x_t - \text{衰减系数} \cdot \epsilon(x_t, t)}{\text{缩放系数}} + \text{噪声项}

不同采样器的区别在于三点：(1) 衰减系数怎么算（决定了「方向」的精度）；(2) 要不要加噪声项（决定了是 ancestral 还是 deterministic）；(3) 要不要利用历史梯度信息（决定了是低阶还是高阶方法）。

噪声调度（Noise Schedule）：决定每步走多远

噪声调度（noise schedule）定义了前向加噪时每一步加入多少噪声——反向采样时则等价地决定了每步要走多远。它是一组随时间 t 单调递增/递减的系数 β₁,…,β_T（或其累积形式 ᾱₜ）。

线性调度（DDPM 原始）：β 从 0.0001 线性增到 0.02，简单但末端信噪比（SNR，Signal-to-Noise Ratio，信号与噪声的强度之比）过低，浪费步数。
余弦调度（Nichol & Dhariwal 2021）：按余弦曲线衰减 ᾱ，使 SNR 在各步分布更均匀，同样步数下质量更高。
Karras 调度（EDM 论文）：基于 σ 参数化（用噪声标准差而非 ᾱ 表示时间），给出一条理论最优的 σ(t) 曲线，被 SDXL/SD3 默认采用。
流匹配 / Rectified Flow 的线性插值调度：直接在「噪声」和「图像」之间做线性插值 x(t) = (1−t)·noise + t·data，路径近乎直线——这就是 SD3/FLUX 的核心。

DDPM：ancestral 始祖

DDPM（Denoising Diffusion Probabilistic Models）的反向过程每步都加入随机高斯噪声。更新公式为：

x_{t-1} = \frac{1}{\sqrt{\alpha_t}} \left( x_t - \frac{1-\alpha_t}{\sqrt{1-\bar{\alpha}_t}} \cdot \epsilon \right) + \sigma_t \cdot z

其中 z ~ N(0, I) 是标准高斯噪声（每次重新采样，故每次结果不同），α(t) 是单步系数、ᾱ(t) 是累积系数（cumalpha），σ(t) 控制每步加入的噪声量（与 β 调度直接相关）。DDPM 需要 1000 步才能生成高质量图像，速度极慢——在 2020 年初，生成一张 256×256 图像需要几十秒到数分钟。

DDIM：跳步加速

DDIM（Denoising Diffusion Implicit Models）的关键洞察是：去掉噪声项（设 σ(t) = 0），反向过程变成确定性 ODE。这允许大幅跳步——从 1000 步压缩到 20-50 步而质量几乎不降。DDIM 的更新公式：

\hat{x}_0 = \frac{x_t - \sqrt{1-\bar{\alpha}_t} \cdot \epsilon}{\sqrt{\bar{\alpha}_t}}

x_{t-1} = \sqrt{\bar{\alpha}_{t-1}} \cdot \hat{x}_0 + \sqrt{1-\bar{\alpha}_{t-1}} \cdot \epsilon

其中第一步先预测干净图像 $\hat{x}_0$ ，第二步再「重新加噪」到 $t-1$ 时刻。

注意 DDIM 不加随机噪声，是确定性采样器。它还有个 eta 参数：η=0 完全确定性，η=1 退化为 DDPM，0 < η < 1 是中间态——通过调 η 可以在「稳定」与「多样」之间滑动。

数学直觉：DDIM 证明了一件事——前向加噪是一个马尔可夫链（每步只依赖上一步），但反向采样不必是马尔可夫链。只要保证边际分布（每步噪声的统计特性）正确，跳跃路径可以任意选取。这就是「跳步」得以成立的概率论根据。

DPM++：ODE 求解器家族

DPM-Solver 系列把扩散反向过程看作一个 ODE，并用高阶数值方法求解。这里「高阶」指的是用更多历史信息来估计导数（方向），从而允许更大步长而不丢失精度：

DPM-Solver（一阶）：相当于把 DDIM 的 ODE 用更准确的系数重写一遍。
DPM++ 2M（二阶多步，multistep）：只做一次模型前向（开销和一阶一样），但用前两步的预测 ε 做线性外推修正方向。10-20 步即可达到 DDIM 50 步的质量——是 SDXL 时代最常用的默认采样器。
DPM++ 3M SDE（三阶多步 + 随机项）：用前三步信息，方向估计更准，但步数太少时反而会过冲。
UniPC（Unified Predictor-Corrector，2023）：统一框架，在预测步后加一个校正步（corrector），10 步以内质量极佳，被纳入 ComfyUI 与新版 WebUI。

术语速解——多步法（multistep）：低阶方法（如 Euler）只看「当前点 + 当前方向」就走；多步法额外记住前一两步的方向，相当于估计了「加速度」，所以能在同样步数下走得更准。代价是需要「启动」前几步（warm-up），通常用低阶方法补齐。

Ancestral 变体

在确定性采样器基础上每步注入随机噪声就得到 ancestral 版本（名称带 a 后缀），如 Euler a、DPM++ 2M a、DPM++ SDE。噪声带来「创造性」但也带来不稳定——步数太少时画面模糊、细节缺失。一个经验规律：ancestral 采样器的有效步数需要翻倍才能逼近对应确定性版本的质量。

Rectified Flow 与流匹配（2023-2025 新范式）

Rectified Flow（Liu et al. 2022/2023）和 Flow Matching（Lipman et al. 2023）提出了一个更优雅的视角：与其走弯曲的概率流 ODE，不如把「噪声 → 图像」的整条传输路径拉直（rectify）。具体做法分两步：

训练阶段：先用任意方法（如标准扩散）生成一批「噪声-图像」配对，然后拟合一条连接两者的直线路径 x(t) = (1−t)·x_noise + t·x_data。模型学的是这条直线上的速度场 v(x(t), t) = ∂x/∂t。
采样阶段：因为路径近乎直线，沿 v 方向走只需极少步数——经验上 4-8 步即可，且可以用最简单的 Euler 法。

Stable Diffusion 3（2024）和 Black Forest Labs 的 FLUX.1（2024）都采用了 Rectified Flow + MM-DiT（多模态 Diffusion Transformer，详见 DiT 架构）。SD3 的文本指出，相比传统余弦噪声调度，Rectified Flow 在少步采样（<25 步）下显著占优。

和 DPM++ 的关系：DPM++ 是在「旧的弯曲路径」上做高阶数值求解来减少步数；Rectified Flow 是直接「换一条更直的路」。后者从源头解决问题，所以即便是 Euler 这种一阶方法也能在 5 步内出好图。

一致性模型与少步蒸馏（2023-2025）

一致性模型（Consistency Model, Song et al. 2023）走得更极端：训练一个网络 f(x(t), t)，使得对同一条采样轨迹上的任意时刻 t，f 都输出同一个 x₀（即满足「一致性」性质 f(x(t), t) = f(x(t’), t’) = x₀）。一旦训练好，一步就能从噪声得到图像。

两条训练路径：

一致性蒸馏（Consistency Distillation, CD）：把一个已训练好的扩散模型作为老师，学生只学一致性约束。
一致性训练（Consistency Training, CT）：从零开始，无需老师。

实际落地最广的是 潜在一致性模型（Latent Consistency Model, LCM）——把一致性蒸馏用在潜空间（latent space，VAE 压缩后的低维表示，详见 VAE）。LCM-SDXL、SDXL Lightning（ByteDance，2024）、Hyper-SD（2024）等可在 4-8 步生成接近 30 步 DPM++ 的质量，是 2024-2025 年最主流的「极速出图」方案。

术语速解——蒸馏（distillation）：用一个强大但慢的「老师」模型，去训练一个轻量但快的「学生」模型，让学生的输出逼近老师。在采样器语境下，老师是 50 步的扩散模型，学生是 4 步的 LCM。

EDM / EDM2 统一框架（Karras 2022/2024）

Karras 等人在「Elucidating the Design Space of Diffusion-Based Generative Models」（EDM，NeurIPS 2022）中，把 DDPM、DDIM、score-based 等看似不同的采样器统一到一个参数化框架下——核心是用噪声标准差 σ 作为唯一的时间变量，并对网络的输入/输出做归一化（preconditioning），使模型在所有噪声水平下都处于数值稳定的范围。EDM2（2024） 进一步把这套框架扩展到 ImageNet 512×512 等高分辨率，并给出了精调训练超参的完整配方，被认为是当前「理论最干净」的扩散框架。

原理图解

采样器谱系

确定性 vs Ancestral 路径

三种范式对比：离散步、流匹配、一致性

动手实践

用 diffusers 对比不同采样器

import torch
from diffusers import StableDiffusionPipeline
from diffusers import (
    DDIMScheduler,
    EulerDiscreteScheduler,
    DPMSolverMultistepScheduler,
    EulerAncestralDiscreteScheduler,
    FlowMatchEulerDiscreteScheduler,  # SD3 / FLUX 用
)

# 加载 Stable Diffusion 1.5
pipe = StableDiffusionPipeline.from_pretrained(
    "runwayml/stable-diffusion-v1-5", torch_dtype=torch.float16
).to("cuda")

prompt = "a cyberpunk cat, neon lights, highly detailed"

# 对比四种采样器，固定种子以保证公平
schedulers = {
    "ddim":     DDIMScheduler.from_config(pipe.scheduler.config),
    "euler":    EulerDiscreteScheduler.from_config(pipe.scheduler.config),
    "dpm++_2m": DPMSolverMultistepScheduler.from_config(pipe.scheduler.config),
    "euler_a":  EulerAncestralDiscreteScheduler.from_config(pipe.scheduler.config),
}

for name, sched in schedulers.items():
    pipe.scheduler = sched
    generator = torch.Generator("cuda").manual_seed(42)
    image = pipe(prompt, num_inference_steps=20, generator=generator).images[0]
    image.save(f"cat_{name}.png")
    print(f"{name}: 20步生成完成")
# 经验结论：dpm++_2m 在 20 步内质量最优；euler_a 更有创造性但每次不同

用 FLUX + Rectified Flow 做少步采样（2024-2025 主流）

import torch
from diffusers import FluxPipeline

# FLUX.1-schnell 原生采用 Rectified Flow，4 步即可出图
pipe = FluxPipeline.from_pretrained(
    "black-forest-labs/FLUX.1-schnell", torch_dtype=torch.bfloat16
).to("cuda")

# FLUX 的时间步调度已被「拉直」，4 步足够
image = pipe(
    "a cyberpunk cat, neon lights, highly detailed",
    num_inference_steps=4,
    guidance_scale=0.0,   # schnell 版本经蒸馏，无需 CFG
).images[0]
image.save("flux_cat_4step.png")
# 对比：传统 DPM++ 出同等质量需要 20+ 步

用 LCM-LoRA 把任意 SDXL 加速到 4 步

import torch
from diffusers import StableDiffusionXLPipeline, LCMScheduler
from diffusers import AutoPipelineForText2Image

pipe = AutoPipelineForText2Image.from_pretrained(
    "stabilityai/stable-diffusion-xl-base-1.0", torch_dtype=torch.float16
).to("cuda")

# 加载 LCM-LoRA 权重（无需重训，即插即用）
pipe.load_lora_weights("latent-consistency/lcm-lora-sdxl")
pipe.scheduler = LCMScheduler.from_config(pipe.scheduler.config)

image = pipe(
    "a cyberpunk cat, neon lights, highly detailed",
    num_inference_steps=4,        # 4 步！
    guidance_scale=1.5,           # LCM 需要极低的 CFG
).images[0]
image.save("lcm_cat_4step.png")

实践要点

默认首选 DPM++ 2M：20-30 步即可出高质量图像，速度和质量的最佳平衡。大多数 SD1.5/SDXL 社区工作流默认使用它。
SD3 / FLUX 用 Euler（Flow 版）：这两类模型原生采用 Rectified Flow，调度器必须是 FlowMatchEulerDiscreteScheduler，搭配 4-20 步。混用旧调度器会得到严重失真的结果。
4-8 步极速出图用 LCM / Lightning / Hyper-SD：LCM-LoRA 可即插即用地给任意 SDXL 加速；ByteDance 的 SDXL Lightning 和 Tencent 的 Hyper-SD（2024）质量更稳，但需要换对应的 UNet 权重。
追求稳定用 Euler / DPM++（确定性）：可复现，适合搭配 ControlNet（详见ControlNet 与可控生成）做精确控制——确定性采样器能保证结构条件被严格遵守。
追求多样性用 Euler a / DPM++ SDE：每次出图都有变化，适合探索创意方向，但不适合需要稳定复现的场景。
步数不是越多越好：超过一定步数（如 DPM++ 2M 超过 30 步），质量提升微乎其微，纯浪费时间。相反 ancestral 采样器步数太少会导致模糊。Rectified Flow / LCM 在超过推荐步数后甚至会变差（过冲）。
CFG Scale 与采样器联动：CFG 高（8-12）时用确定性采样器更稳定；CFG 低（3-5）时 ancestral 采样器的噪声能增加自然感。LCM 系列必须用极低 CFG（1-2）。关于 CFG 的原理见 CFG 引导。
噪声调度与采样器要匹配：Karras 调度适合 DPM++ 系列；SD3/FLUX 必须用其专属的 flow 匹配调度。在 ComfyUI 中切换模型后记得检查 scheduler 是否匹配。
在 ComfyUI 中自由切换：ComfyUI 把采样器（sampler）和调度器（scheduler）拆成两个独立节点，可以零成本组合对比——详见ComfyUI 与节点式生成。

典型应用

Stable Diffusion WebUI / ComfyUI：采样器选择是出图调参的第一步，UI 直接提供下拉菜单切换。2024-2025 的 ComfyUI 已默认包含 euler、dpmpp_2m、dpmpp_2m_sde、uni_pc、euler_ancestral 以及 FLUX 专用的 flow 采样器。
快速预览生成：用 LCM / FLUX schnell 4 步快速预览 prompt 效果，满意后再切 20-30 步 DPM++ 精修。
批量生成筛选：ancestral 采样器配合不同种子批量生成，从多张结果中挑选最佳——详见主流图像生成模型对比。
视频/动画生成：必须使用确定性采样器，否则帧间会闪烁——详见AnimateDiff 与 AI 动画。AnimateDiff 官方推荐 DPM++ 2M Karras + 25 步。
商业 API（Replicate / fal.ai / Together）：2024-2025 的主流 API 默认走 FLUX + 4-8 步 flow 采样，或 SDXL Lightning + 4 步，在速度和质量间取平衡。fal.ai 的 FLUX schnell 端到端低于 0.5 秒。
实时生成（2024-2025 趋势）：1-4 步的 LCM/Turbo/Lightning 使「实时绘画」「逐笔生成」（如 Krea、Freepik Mystic）成为可能——延迟从分钟级压到亚秒级，催生了一批交互式创意工具。

典型类库与工具

类库	语言	说明
diffusers schedulers	Python	HuggingFace diffusers 的采样器模块：DDIM、Euler、DPM++、UniPC、FlowMatchEuler、LCM 等
ComfyUI KSampler	Python	ComfyUI 核心采样节点，支持几乎所有主流采样器，sampler 与 scheduler 拆分
AUTOMATIC1111 WebUI	Python	界面下拉菜单直接切换采样器，内置中文标注
k-diffusion	Python	Kohya 的采样器实现库，ComfyUI 底层使用
sgm / generative-models	Python	Stability AI 的库，含 SD3 专用 Rectified Flow 采样器
FlowMatchEulerDiscreteScheduler	Python	diffusers 中专为 SD3/FLUX 提供的流匹配 Euler 采样器

术语表

术语	英文	解释
采样器	Sampler	扩散模型反向去噪过程的算法，决定从噪声到图像的路径
调度器	Scheduler	diffusers 中采样器的正式名称，管理时间步和噪声调度
确定性采样器	Deterministic Sampler	给定相同噪声种子永远生成相同图像，不加随机噪声
Ancestral 采样器	Ancestral Sampler	每步注入随机噪声，同一种子每次结果不同
DDPM	DDPM	最早的扩散采样器，1000 步加噪声，质量高但极慢
DDIM	DDIM	确定性跳步采样器，将 1000 步压缩到 20-50 步
DPM++	DPM-Solver++	基于高阶 ODE 求解的采样器家族，10-20 步出高质量图
UniPC	Unified Predictor-Corrector	预测 + 校正统一框架，10 步以内质量极佳（2023）
Euler	Euler	最朴素的 ODE 一阶采样器，简单快速
Rectified Flow	Rectified Flow	把噪声到图像的传输路径「拉直」，使少步采样成为可能（SD3/FLUX）
流匹配	Flow Matching	训练时拟合直线传输速度场的范式，与 Rectified Flow 等价
一致性模型	Consistency Model	训练网络使任意时刻输出同一最终图像，可 1 步生成
LCM	Latent Consistency Model	在潜空间做一致性蒸馏，4-8 步极速出图
CFG Scale	Classifier-Free Guidance Scale	控制生成结果对 prompt 的遵循程度，值越高越遵循但越僵
噪声调度	Noise Schedule	定义每一步加入/去除的噪声量随时间变化的函数
Karras 调度	Karras Schedule	EDM 论文提出的 σ 参数化调度，SDXL/SD3 默认采用
蒸馏	Distillation	用慢而强的老师模型训练快而轻的学生模型
步数	Steps / num_inference_steps	反向去噪的总步数，越多越精细但越慢（Rectified Flow/LCM 例外）