DDIM与DPM++采样器对比

可视化演示

动态演示DDIM与DPM++采样器对的核心机制，通过输入/处理/存储/输出四种模式展示关键概念与交互流程。

采样器原理

想象你站在一座雾山脚下。白茫茫的雾（随机噪声）把整个山坡罩得严严实实，山顶观景台上的日出风景（目标图像）完全看不见。大模型是你的「经验地图」——它没法直接告诉你山顶长什么样，但能根据当前脚下（当前带噪图）大致判断「雾是从哪个方向来的」。采样器则是向导本人，他负责把地图上的方向提示翻译成「朝哪走、走多远、怎么歇脚」，一步、两步……直到把你带到山顶。

在 Stable Diffusion 里，生成一张图的过程就是一次「拨雾」：从一张纯噪点图出发，反复执行「模型预测噪声 → 采样器按预测去噪」这个循环。模型每步会输出一个噪声预测 ε_θ，而不同采样器的差别，恰恰在于「拿到这个预测之后怎么用」：有的向导把这步当成「朝雾薄的方向直走」，有的会参考前两步的路线变化，还有的每走一步都故意绕个小弯。

为了让模型学会「拨雾」，训练阶段会预先给成千上万张清晰图片逐级加噪，让模型记住「某个浓度下，雾长什么样」。前向加噪过程可以写成：

$$\displaystyle \mathbf{x}_t = \sqrt{\bar{\alpha}_t}\ \mathbf{x}_0 + \sqrt{1-\bar{\alpha}_t}\ \varepsilon,\qquad \varepsilon \sim \mathcal{N}(0, \mathbf{I})$$

1. 清晰图 $\mathbf{x}_0$：训练集中没被污染的原始图像，相当于「山顶风景照」。

$$\displaystyle \mathbf{x}_0 \in \mathbb{R}^{H \times W}$$

2. 高斯噪声 $\varepsilon$：标准正态分布采样的随机「雾」，每个像素独立取值。

$$\displaystyle \varepsilon \sim \mathcal{N}(0, \mathbf{I})$$

3. 雾浓度系数 $\sqrt{\bar{\alpha}_t}$：$\bar{\alpha}_t$ 随步数 t 增大而递减，t 越大雾越浓、清晰成分越少。

$$\displaystyle \bar{\alpha}_t = \prod_{k=1}^{t} (1 - \beta_k)$$

4. 混合过程：清晰成分乘以衰减系数，加上噪声成分乘以补偿系数，拼成带噪图。

$$\displaystyle \mathbf{x}_t = \sqrt{\bar{\alpha}_t}\ \mathbf{x}_0 + \sqrt{1-\bar{\alpha}_t}\ \varepsilon$$

理解了「加雾」和「拨雾」，再看界面上的参数就顺了：步数（Steps）是向导歇脚的次数——歇得越多，路线越精细，但也越费时间；种子（Seed）是你的出发点——同一个种子，配合同一个采样器和相同参数，相当于「同一片雾里从同一个位置出发」；而 CFG 是「你有多坚持要去看日出」——越高，向导越倾向于往风景最美的方向硬冲。

---

DDIM 特性

DDIM 是一位谨慎的老牌向导，他手里有一张官方规划的「石阶路地图」：每一步落在哪块石头上都写得清清楚楚，绝不临时改道。如果你给他同一片雾、同一个起点，他能原封不动地把你带到同一个山顶——今天如此，明天如此，换一台电脑也是如此。

这种「每次结果一模一样」的性质，在学术上叫确定性采样（deterministic sampling）。DDIM（全称 Denoising Diffusion Implicit Models）在 2020 年被提出，核心思想是在反向去噪时不额外注入随机噪声，把原来「边走边撒雾」的随机过程，改造成一条固定轨迹的「隐式」路径。

普通去噪每步会补一点随机噪声（模拟真实扩散的逆过程），而 DDIM 把这一步的噪声项设为零。它的单步更新可以写成：

$$\displaystyle \mathbf{x}_{t-1} = \sqrt{\bar{\alpha}_{t-1}}\ \hat{\mathbf{x}}_0 + \sqrt{1-\bar{\alpha}_{t-1}}\ \varepsilon_\theta(\mathbf{x}_t, t)$$

1. 模型预估值 $\hat{\mathbf{x}}_0$：根据当前带噪图和预测噪声，反推「雾散去后大概长什么样」。

$$\displaystyle \hat{\mathbf{x}}_0 = \frac{\mathbf{x}_t - \sqrt{1-\bar{\alpha}_t}\ \varepsilon_\theta(\mathbf{x}_t, t)}{\sqrt{\bar{\alpha}_t}}$$

2. 确定性合成：用上一层的清晰估值和本轮噪声预测按权重拼出下一层图。

$$\displaystyle \mathbf{x}_{t-1} = \sqrt{\bar{\alpha}_{t-1}}\ \hat{\mathbf{x}}_0 + \sqrt{1-\bar{\alpha}_{t-1}}\ \varepsilon_\theta(\mathbf{x}_t, t)$$

3. 无随机项：对照普通采样公式，DDIM 将随机噪声项的系数置零，输出完全由输入决定。

$$\displaystyle \sigma_t = 0 \quad\Rightarrow\quad \mathbf{x}_{t-1} \text{ 完全由输入决定}$$

石阶路的好处是「稳」：在图生图、局部重绘、线稿上色这类任务里，你希望保留原图的构图和结构，DDIM 的确定性让每次重绘都「丁是丁，卯是卯」，不会因为随机改动而崩掉结构。代价是需要较多步数（一般 30-50 步）才能走完，因为每一步走得很规矩，不肯抄近道。

---

DPM++ 特性

DPM++ 是新一代「科技型向导」。他手里拿的不是纸质地图，而是一个实时导航系统：不仅知道当前位置，还能根据前一段路的坡度变化，预判接下来的走势。别的向导每到一个歇脚点都要停下来重新辨认方向，他走两三步就完成一次精准校正——20 步就把你带上山顶，画质还不输别人 50 步的结果。

DPM++（DPM-Solver++）属于高效扩散求解器家族。扩散去噪在数学上是一个常微分方程（ODE）的求解问题，DPM++ 把这个方程当作严格的数学对象来处理，而不是简单地「迈一小步」。所谓「二阶」（2M 后缀），意思是它会利用前一步的信息来修正当前步的方向，就像用「起点斜率 + 终点斜率取平均」代替「只盯着脚下」。

从直觉上理解，一阶方法（如简单欧拉）每步只按当前坡度直走，弯道一走就偏；二阶方法则会先试探着迈一小步，看看前方坡度变化，再校正方向。简化表达如下：

$$\displaystyle \mathbf{x}_{t_{i-1}} \approx \mathbf{x}_{t_i} + \frac{\Delta t}{2}\Big[\mathbf{v}_\theta\big(\mathbf{x}_{t_i}, t_i\big) + \mathbf{v}_\theta\big(\mathbf{x}_{t_{i-1}}^{*}, t_{i-1}\big)\Big]$$

1. 步长 $\Delta t$：相邻两个采样时刻的间隔，步数越少、间隔越大。

$$\displaystyle \Delta t = t_i - t_{i-1} = \frac{T}{S}$$

2. 速度场 $\mathbf{v}_\theta$：模型给出的去噪方向，相当于「当前位置应当朝哪个方向走」。

$$\displaystyle \mathbf{v}_\theta(\mathbf{x}_t, t) = \text{模型输出的去噪方向}$$

3. 试探点 $\mathbf{x}^{*}$：先用当前方向「试走一步」得到的预估位置。

$$\displaystyle \mathbf{x}_{t_{i-1}}^{*} = \mathbf{x}_{t_i} + \Delta t\ \mathbf{v}_\theta(\mathbf{x}_{t_i}, t_i)$$

4. 二阶平均：把起点方向和试探点方向的平均值当作最终步向，减少弯路偏差。

$$\displaystyle \frac{\mathbf{v}_i + \mathbf{v}_{i+1}}{2} \quad\Rightarrow\quad \text{拐弯处也走得准}$$

因为「少歇脚、走得准」，DPM++ 成为当前社区最主流的默认采样器，尤其是 DPM++ 2M Karras 变体——它换上了更适合扩散过程的「路况调度表」，在 20-30 步内就能给出锐利、细腻的画质。对于追求效率与质量平衡的创作者来说，这是最省心的向导。

---

Euler a 特性

Euler a 是一位随性的探险家向导。他带路从不走重复路线：走着走着，他会往草丛里扔一把小石子（注入噪声），听个响、探探路，然后顺着新的动静拐几个弯。同样是清晨出发，他每次带你看的「沿途风景」都不太一样——运气好时发现绝美小径，运气差时会在同一个山坳里绕圈子。

Euler a 中的 "a" 是 ancestral（祖先） 的缩写，它模拟的是真实扩散过程的逆向：每一步都从「当前噪声分布」中重新采样，而不是沿着固定轨迹走。具体做法是在经典的欧拉步之外，额外加上一个高斯噪声项：

$$\displaystyle \mathbf{x}_{t-1} = \mathbf{x}_t + \Delta t\ \mathbf{v}_\theta(\mathbf{x}_t, t) + \sigma_t\,\mathbf{z},\qquad \mathbf{z} \sim \mathcal{N}(0, \mathbf{I})$$

1. 欧拉步（方向修正）：按模型给出的方向走一小段，这是去噪的主干。

$$\displaystyle \mathbf{x}_t + \Delta t\ \mathbf{v}_\theta(\mathbf{x}_t, t)$$

2. 祖先噪声 $\sigma_t\,\mathbf{z}$：从标准正态分布抽一个随机向量，乘上噪声强度。

$$\displaystyle \sigma_t\,\mathbf{z},\quad \mathbf{z} \sim \mathcal{N}(0, \mathbf{I})$$

3. 叠加成完整一步：确定性修正加随机扰动，路线因此每次都不同。

$$\displaystyle \mathbf{x}_{t-1} = \text{修正项} + \text{随机项}$$

敢走野路，往往是为了「探索」。Euler a 随机性强、速度也不慢（20-30 步即可），当你想找灵感、生成几张不同构图的草稿时，它就像一个快速摇骰子的手气桶。但正因为随机，它不适合需要精确复现的任务；步数加到很高时，持续注入的噪声反而会让画面显得「散」。换句话说：探险家的路，走着有趣，但别指望他按图纸施工。

---

速度质量对比

现在让三位向导在同一片雾里、从同一个起点出发，来一场计时赛。比赛项目是「30 步内谁先到山顶、谁的观景位置更好」。结果通常很稳定：坐缆车加智能导航的 DPM++ 第一个到，画质细腻；走石阶的 DDIM 稳稳当当但偏慢；野路探险的 Euler a 速度尚可，可到了山顶还在晃悠，观景角度每次不同。

用真实生成任务衡量，总耗时的公式非常简单：

$$\displaystyle T_{\text{总}} = S_{\text{步数}} \times t_{\text{单步}}$$

1. 总耗时 $T_{\text{总}}$：从输入提示词到输出图片的推理时间。

$$\displaystyle T_{\text{总}} = S \times t_{\text{单步}}$$

2. 步数 $S$：采样循环执行的次数，相当于向导歇脚点数。

$$\displaystyle S \in \{10, 20, 30, 50, \dots\}$$

3. 单步耗时 $t_{\text{单步}}$：每步包含一次模型前向推理，同一模型下基本固定。

$$\displaystyle t_{\text{单步}} \approx \text{常量（同一显卡、同一模型）}$$

结合社区大量实测经验（同一模型、相近 CFG、固定种子），可以画出一张简单的对比表：

| 维度 | DDIM | DPM++ 2M | Euler a |

| --- | --- | --- | --- |

| 推荐步数 | 30-50 | 20-30 | 20-30 |

| 相对速度 | 中等偏慢 | 最快 | 快 |

| 画质上限 | 高 | 高 | 中高 |

| 可复现性 | 高 | 高 | 低 |

| 风格稳定性 | 稳 | 稳 | 多变 |

三条结论值得记住：第一，同样的 20 步，DPM++ 的画质通常显著好于 DDIM，因为 DDIM 在少步数下轨迹截断误差大；第二，Euler a 在 20 步附近表现不错，但增加到 40-50 步时，持续注入的祖先噪声会让细节变「毛」；第三，DDIM 需要更多步数才能追平 DPM++ 的画质，但换来的是严格的确定性。

所以，「哪个采样器快」其实一半取决于「它需要几步到顶」，一半取决于「每步走多久」。追赶效率，先看步数需求；追求画质，看收敛上限；追求省心，直接选 DPM++。摸清三位向导的「步频」和「路况」，你就不会再为「为什么别人 20 步比我 50 步还清晰」而困惑了。

---

选择与调优

选采样器不是选「最贵的向导」，而是选「最合适今天行程的向导」。赶时间出商务图，坐缆车；需要精确还原一张老照片，走石阶；想要几组天马行空的灵感草图，就让探险家带路。把需求想清楚，参数自然就有了答案。

把「需求 → 采样器 → 参数」的对应关系写成一张速查表（步数区间综合了社区实测与官方文档推荐）：

$$\displaystyle S^{*} = \begin{cases} 20\text{–}30, & \text{追求画质与效率：DPM++ 2M Karras} \\[4pt] 30\text{–}50, & \text{需要复现与重绘：DDIM} \\[4pt] 20\text{–}30, & \text{探索多样风格：Euler a} \end{cases}$$

1. 分段函数 $S^{*}$：把不同场景对应的最佳步数写成一个分段表达式。

$$\displaystyle S^{*} = \begin{cases} \dots \end{cases}$$

2. 首行条件（画质优先）：DPM++ 2M Karras 在 20-30 步内达到画质与速度的最优平衡。

$$\displaystyle 20\text{–}30,\ \text{DPM++ 2M Karras}$$

3. 次行条件（复现优先）：DDIM 需要 30-50 步，但结果完全可复现，适合重绘。

$$\displaystyle 30\text{–}50,\ \text{DDIM}$$

4. 末行条件（探索优先）：Euler a 用 20-30 步快速产出多样草稿，不追求复现。

$$\displaystyle 20\text{–}30,\ \text{Euler a}$$

具体到实战，几条经过验证的经验可以直接抄作业。文生图：默认 DPM++ 2M Karras + 20-30 步 + CFG 4-7，绝大多数风格都有稳定表现；图生图/局部重绘：DDIM + 30-50 步，配合较低的重绘幅度（denoising 0.3-0.6），能最大限度保留原构图；灵感草稿/风格探索：Euler a + 20-30 步，画几张挑一张，多出的时间成本几乎为零。老显卡或大批量任务：DPM++ 2M（不带 Karras）20 步，或 Euler a 20 步，可以进一步压缩单张耗时。还有三个坑要避开：一是步数不是越多越好——超过采样器的「舒适区间」后画质提升微乎其微，耗时却线性上涨；二是换采样器后最好重新调 CFG 和步数，直接沿用旧参数容易过曝或糊；三是追求可复现时，必须同时固定种子、步数、CFG、提示词和模型版本，只固定其中一两个仍然会变。

把这次「雾山之行」想清楚：目的地是「精致的日出照」、「还原的老照片」还是「未知的探险」？目的地定了，选向导、定歇脚点、调导航偏执度（CFG）就都不是玄学，而是一套有依据的决策流程。采样器的世界没有「万能钥匙」，但有「最合适的钥匙」——了解 DDIM 的稳、DPM++ 的准、Euler a 的野，你就能在每次生成前，从容地做出选择。

AI 应用场景

Python 演示

"""迷你数值实验:对比一阶欧拉/加噪欧拉/二阶求解器的去噪恢复效果 不依赖任何深度学习库,用一维正弦信号模拟"清晰图",从带噪起点出发,比较三种采样器在不同步数下的恢复误差。"""import numpy as np GRID = np.linspace(0.1, 0.9, 40)CLEAN = np.sin(5 * GRID)                 # 模拟"清晰原图"RNG = np.random.RandomState(7)START = CLEAN + RNG.randn(40) * 1.2      # 模拟加噪后的 x_T  def direction(x, step, total):    """模拟去噪方向:指向原图,早期误差大,越接近终点越准"""    err = 0.35 * (1.0 - step / total)    return (CLEAN - x) * (1.0 - err)  def mse(x):    """均方误差,衡量恢复结果与清晰图的差距"""    return float(np.mean((x - CLEAN) ** 2))  def run_euler(steps):    """一阶欧拉:每一步沿当前方向直走,确定性路线"""    x = START.copy()    for s in range(1, steps + 1):        x = x + direction(x, s, steps) / steps    return x  def run_euler_a(steps, jitter=0.02):    """欧拉祖先:每步注入随机噪声,结果不可复现"""    x = START.copy()    for s in range(1, steps + 1):        x = x + direction(x, s, steps) / steps + RNG.randn(40) * jitter    return x  def run_second_order(steps):    """二阶求解:先试探一步,再用前后方向均值校正"""    x = START.copy()    for s in range(1, steps + 1):        d1 = direction(x, s, steps)        d2 = direction(x + d1 / steps, s + 1, steps)        x = x + (d1 + d2) / (2 * steps)    return x  if __name__ == "__main__":    print("steps |   Euler   |  Euler_a  |  second_order")    for steps in (10, 20, 40):        e1 = mse(run_euler(steps))        e2 = mse(run_euler_a(steps))        e3 = mse(run_second_order(steps))        print("%5d | %.4f | %.4f | %.4f" % (steps, e1, e2, e3))

1. START = CLEAN + RNG.randn(40) * 1.2生成带噪起点，相当于扩散过程中被雾笼罩的 x_T。
2. def direction(x, step, total):模拟去噪模型：指向原图，早期误差大、越接近终点越准。
3. x = x + direction(x, s, steps) / steps一阶欧拉步：沿当前方向走一小段，这是确定性采样的主干。
4. + RNG.randn(40) * jitter祖先采样核心：每一步额外注入随机噪声，结果因此不可复现。
5. d2 = direction(x + d1 / steps, s + 1, steps)二阶修正：先「试走一步」再看前方坡度，再取平均校正。
6. ("%5d | %.4f | %.4f | %.4f" % (...))格式化输出对比表，步数越少时二阶求解器的优势越明显。

常见误区

面试题