Sampler & Scheduler - KI-Bildgenerierungseinstellungen erklärt

Was sind Sampler und Scheduler?

Sampler (auch Sampling-Methoden genannt) und Scheduler steuern, wie die KI Rauschen entfernt während der Bildgenerierung. Sie bestimmen den Weg vom zufälligen Rauschen zum fertigen Bild und beeinflussen sowohl Qualität als auch Geschwindigkeit.

Sampler erklärt

Was Sampler tun

Bei jedem Schritt der Generierung:

1. Sagt der Sampler Rauschen im aktuellen Bild vorher
2. Entscheidet, wie viel Rauschen entfernt werden soll
3. Bestimmt die Richtung des nächsten Schritts
4. Bewegt sich in Richtung des fertigen Bildes

Warum verschiedene Sampler existieren

Verschiedene Sampler bieten unterschiedliche Kompromisse:

• Qualität vs. Geschwindigkeit
• Determinismus vs. Zufälligkeit
• Detail vs. Glätte
• Konvergenzeigenschaften

Gängige Sampler

Euler

Einfach und effektiv:

• Guter Basis-Sampler
• Schnelle Generierung
• Funktioniert gut mit weniger Schritten
• Glatte, natürliche Ergebnisse

Am besten für: Allgemeine Verwendung, schnelle Generierungen

Euler Ancestral (Euler a)

Euler mit Zufälligkeit:

• Fügt stochastische Variation hinzu
• Kreativere/vielfältigere Ausgaben
• Weniger deterministisch
• Gut für Erkundung

Am besten für: Kreative Arbeit, Vielfalt

DPM++ 2M

Hochwertiger Mehrschritt-Sampler:

• Ausgezeichnete Qualität
• Konvergiert gut
• Gut mit 20-30 Schritten
• Stabile Ergebnisse

Am besten für: Qualitätsorientierte Arbeit

DPM++ 2M Karras

DPM++ mit Karras-Scheduling:

• Oft beste Qualität
• Optimierter Rauschplan
• Beliebte Wahl
• Etwas langsamer

Am besten für: Hochwertige Endbilder

DPM++ SDE

Stochastische Differentialgleichungsversion:

• Fügt kontrollierte Zufälligkeit hinzu
• Vielfältigere Ausgaben
• Gute Details
• Weniger vorhersagbar

Am besten für: Detaillierte Bilder mit Vielfalt

DDIM

Denoising Diffusion Implicit Models:

• Deterministisch (gleicher Seed = gleiches Bild)
• Schnell mit weniger Schritten
• Saubere Ergebnisse
• Weniger vielfältig

Am besten für: Reproduzierbare Ergebnisse

UniPC

Unified Predictor-Corrector:

• Sehr schnelle Konvergenz
• Gut mit wenig Schritten
• Hohe Qualität
• Moderner Ansatz

Am besten für: Schnelle, qualitativ hochwertige Ergebnisse

Scheduler (Rauschpläne)

Was Scheduler tun

Scheduler bestimmen:

• Wie viel Rauschen bei jedem Schritt
• Die "Form" der Entrauschung
• Schrittweite während der Generierung

Gängige Scheduler

Linear

• Gleichmäßige Rauschreduzierung
• Einfach, vorhersagbar
• Standardansatz

Karras

• Forschungsoptimierter Plan
• Bessere Qualität
• Effizienter
• Beliebte Wahl

Exponential

• Schnellere frühe Entrauschung
• Langsamere Verfeinerung am Ende
• Gut für Details

SGM Uniform

• Score-basierter generativer Modellplan
• Ausgewogener Ansatz
• Funktioniert gut mit Ancestral-Samplern

Sampler-Vergleich

Den richtigen Sampler wählen

Für Geschwindigkeit

• Euler oder UniPC
• Niedrigere Schrittzahlen
• DDIM für schnelle deterministische Ergebnisse

Für Qualität

• DPM++ 2M Karras
• 25-35 Schritte
• Die zusätzliche Zeit lohnt sich

Für Erkundung

• Euler Ancestral
• DPM++ SDE
• Abwechslungsreiche Ergebnisse bei jeder Generierung

Für Konsistenz

• DDIM
• Euler (nicht-ancestral)
• DPM++ 2M (nicht-SDE)

Schritte und Sampler

Optimale Schrittzahlen

Benötigte Schritte variieren je nach Sampler:

• Euler/DDIM: 20-30 Schritte
• DPM++ Varianten: 20-35 Schritte
• UniPC: 15-25 Schritte
• SDE-Varianten: 25-50 Schritte

Abnehmender Ertrag

Mehr Schritte bedeuten nicht immer besser:

• Qualität erreicht nach dem optimalen Punkt ein Plateau
• Einige Sampler konvergieren schneller
• Testen Sie, um Ihren optimalen Punkt zu finden

Ancestral vs. Nicht-Ancestral

Ancestral-Sampler

Fügen bei jedem Schritt Zufälligkeit hinzu:

• Kreativere Vielfalt
• Jedes Mal ein anderes Bild (auch bei gleichem Seed)
• Gut für Erkundung
• Namen enden oft auf "a" oder enthalten "SDE"

Nicht-Ancestral-Sampler

Deterministischer Prozess:

• Gleicher Seed = gleiches Ergebnis
• Reproduzierbare Generierungen
• Konsistente Qualität
• Besser für Produktionsarbeit

Praktische Empfehlungen

Erste Schritte

1. Mit Euler oder DPM++ 2M Karras beginnen
2. 20-25 Schritte verwenden
3. Basierend auf Ergebnissen anpassen

Für die meisten Anwendungsfälle

Sampler: DPM++ 2M Karras
Schritte: 25
Scheduler: Karras

Für schnelle Vorschauen

Sampler: Euler
Schritte: 15-20
Scheduler: Normal

Für maximale Qualität

Sampler: DPM++ 2M Karras
Schritte: 30-35
Scheduler: Karras

Modellspezifische Hinweise

Stable Diffusion

• Die meisten Sampler funktionieren gut
• DPM++ 2M Karras beliebt
• Euler a für Vielfalt

SDXL

• Ähnliche Empfehlungen
• Benötigt möglicherweise mehr Schritte
• DPM++ funktioniert gut

Flux-Modelle

• Verwenden oft Euler
• Rectified-Flow-Architektur
• Weniger Schritte oft ausreichend

Fehlerbehebung

Bilder sehen unvollständig aus

• Schrittzahl erhöhen
• Anderen Sampler ausprobieren
• Prüfen, ob CFG nicht zu niedrig ist

Bilder sehen überbearbeitet aus

• Schritte reduzieren
• CFG senken
• Euler statt SDE-Varianten versuchen

Ergebnisse zu ähnlich

• Ancestral-Sampler verwenden
• Seeds stärker variieren
• CFG leicht senken

Zusammenfassung

Sampler und Scheduler beeinflussen den Generierungsweg:

• Euler: Schnelle, zuverlässige Basis
• DPM++ 2M Karras: Qualitätsorientierter Standard
• Ancestral-Varianten: Für Vielfalt und Erkundung
• DDIM: Schnell, deterministisch

Beginnen Sie mit Standardeinstellungen und experimentieren Sie dann, um herauszufinden, was für Ihre spezifischen Anwendungsfälle und Vorlieben am besten funktioniert.