Samplers e Schedulers - Configurações de Geração de Imagens com IA Explicadas

O que são Samplers e Schedulers?

Samplers (também chamados de métodos de amostragem) e schedulers controlam como a IA remove ruído durante a geração de imagens. Eles determinam o caminho do ruído aleatório até a imagem final, afetando tanto a qualidade quanto a velocidade.

Samplers Explicados

O que os Samplers Fazem

Em cada etapa da geração, o sampler:

1. Prevê o ruído na imagem atual
2. Decide quanto ruído remover
3. Determina a direção do próximo passo
4. Avança em direção à imagem final

Por que Existem Diferentes Samplers

Diferentes samplers oferecem diferentes compensações:

• Qualidade vs velocidade
• Determinismo vs aleatoriedade
• Detalhe vs suavidade
• Características de convergência

Samplers Comuns

Euler

Simples e eficaz:

• Bom sampler de referência
• Geração rápida
• Funciona bem com menos passos
• Resultados suaves e naturais

Melhor para: Uso geral, gerações rápidas

Euler Ancestral (Euler a)

Euler com aleatoriedade:

• Adiciona variação estocástica
• Resultados mais criativos/variados
• Menos determinístico
• Bom para exploração

Melhor para: Trabalho criativo, variedade

DPM++ 2M

Multi-passo de alta qualidade:

• Qualidade excelente
• Converge bem
• Bom com 20-30 passos
• Resultados estáveis

Melhor para: Trabalho focado em qualidade

DPM++ 2M Karras

DPM++ com agendamento Karras:

• Frequentemente a melhor qualidade
• Cronograma de ruído otimizado
• Escolha popular
• Ligeiramente mais lento

Melhor para: Imagens finais de alta qualidade

DPM++ SDE

Versão de equação diferencial estocástica:

• Adiciona aleatoriedade controlada
• Resultados mais variados
• Bom detalhe
• Menos previsível

Melhor para: Imagens detalhadas com variedade

DDIM

Denoising Diffusion Implicit Models:

• Determinístico (mesma seed = mesma imagem)
• Rápido com menos passos
• Resultados limpos
• Menos variado

Melhor para: Resultados reproduzíveis

UniPC

Unified Predictor-Corrector:

• Convergência muito rápida
• Bom com poucos passos
• Alta qualidade
• Abordagem moderna

Melhor para: Resultados rápidos e de qualidade

Schedulers (Cronogramas de Ruído)

O que os Schedulers Fazem

Os schedulers determinam:

• Quanto ruído em cada passo
• A "forma" da remoção de ruído
• O tamanho do passo ao longo da geração

Schedulers Comuns

Linear

• Redução uniforme de ruído
• Simples, previsível
• Abordagem padrão

Karras

• Cronograma otimizado por pesquisa
• Melhor qualidade
• Mais eficiente
• Escolha popular

Exponencial

• Remoção de ruído mais rápida no início
• Refinamento mais lento no final
• Bom para detalhes

SGM Uniform

• Cronograma de modelo generativo baseado em pontuação
• Abordagem equilibrada
• Funciona bem com samplers ancestrais

Comparação de Samplers

Escolhendo o Sampler Certo

Para Velocidade

• Euler ou UniPC
• Contagens mais baixas de passos
• DDIM para determinístico rápido

Para Qualidade

• DPM++ 2M Karras
• 25-35 passos
• Vale o tempo extra

Para Exploração

• Euler Ancestral
• DPM++ SDE
• Resultados variados a cada geração

Para Consistência

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

Passos e Samplers

Contagens Ideais de Passos

Os passos necessários variam por sampler:

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

Retornos Decrescentes

Mais passos nem sempre significam melhor:

• A qualidade estabiliza após o ponto ideal
• Alguns samplers convergem mais rápido
• Teste para encontrar seu ponto ideal

Ancestral vs Não-Ancestral

Samplers Ancestrais

Adicionam aleatoriedade em cada passo:

• Mais variedade criativa
• Imagem diferente a cada vez (mesmo com mesma seed)
• Bom para exploração
• Nomes geralmente terminam em "a" ou incluem "SDE"

Samplers Não-Ancestrais

Processo determinístico:

• Mesma seed = mesmo resultado
• Gerações reproduzíveis
• Qualidade consistente
• Melhor para trabalho de produção

Recomendações Práticas

Para Começar

1. Comece com Euler ou DPM++ 2M Karras
2. Use 20-25 passos
3. Ajuste com base nos resultados

Para a Maioria dos Casos de Uso

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

Para Pré-visualizações Rápidas

Sampler: Euler
Passos: 15-20
Scheduler: Normal

Para Máxima Qualidade

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

Notas Específicas por Modelo

Stable Diffusion

• A maioria dos samplers funciona bem
• DPM++ 2M Karras é popular
• Euler a para variedade

SDXL

• Recomendações similares
• Pode precisar de mais passos
• DPM++ funciona bem

Modelos Flux

• Geralmente usam Euler
• Arquitetura de fluxo retificado
• Menos passos geralmente são suficientes

Resolução de Problemas

Imagens Parecem Incompletas

• Aumente a contagem de passos
• Tente um sampler diferente
• Verifique se o CFG não está muito baixo

Imagens Parecem Excessivas

• Reduza os passos
• Diminua o CFG
• Tente Euler em vez de variantes SDE

Resultados Muito Similares

• Use sampler ancestral
• Varie mais as seeds
• Diminua o CFG ligeiramente

Resumo

Samplers e schedulers afetam o caminho da geração:

• Euler: Base rápida e confiável
• DPM++ 2M Karras: Padrão focado em qualidade
• Variantes ancestrais: Para variedade e exploração
• DDIM: Rápido, determinístico

Comece com as configurações padrão e depois experimente para encontrar o que funciona para seus casos de uso e preferências específicos.