采样器（Sampler）之争：DDPM、DDIM、Euler、DPM++——为什么换一个采样器图片就变了

你正在用 Stable Diffusion 画一张赛博朋克猫，提示词没变，模型没变，种子没变，只是把采样器从 Euler 换成了 DDIM——猫的姿势、光影、甚至背景里的霓虹灯位置全变了。这感觉就像用同一张底片，换了个显影液，照片里的人物突然换了衣服。我曾经以为采样器只是“速度与质量”的取舍，结果发现它连构图都能改。后来啃了几篇论文才想通：采样器之争，本质是 逆向扩散过程的近似求解方法之争。不同的求解器，走了不同的路径，终点自然不一样。

从去噪到反向过程——扩散模型在做什么

扩散模型的核心思想很像把一滴墨水滴进清水，然后看着它慢慢扩散，直到整杯水变成均匀的灰色。正向过程就是不断给图片加噪声，直到变成纯噪声；逆向过程则需要从噪声中“猜”出原来的图片，这需要模型学会去除噪声。 DDPM 把正向过程定义为一个马尔可夫链，每一步添加一点高斯噪声，最终得到纯噪声。逆向过程则训练一个神经网络来预测每一步添加的噪声，然后一步步减去。

但问题来了：从纯噪声恢复图片，理论上需要求解一个随机微分方程（SDE）的逆过程，这需要无穷多步。实际中我们只能走有限步，每一步的近似误差都会累积，最终影响生成的图片。这就是为什么换采样器会改变结果——不同的采样器，就是不同的近似求解策略。

DDPM：一步一步随机走，慢但稳

DDPM 是始祖，它严格遵循正向过程的逆过程，每一步都加入一点点随机性（从预测的噪声中采样）。用 1000 步生成一张图，每一步都带一个随机噪声项，所以即使固定种子，如果采样器是随机的，每次结果也可能不同（除非设置固定的随机性）。DDPM 的好处是理论扎实，生成的图像细节丰富，但太慢了——1000 步，一张图要等几分钟。而且你可能会想：“既然每一步都加随机噪声，那是不是可以少走几步，把随机性放大？” 不行，直接跳步会导致图像崩溃，因为步长太大，近似误差爆炸。

DDIM：跳过随机性，大步快跑

DDIM 的论文 Denoising Diffusion Implicit Models 做了一个关键洞察：既然正向过程是固定的，逆向过程其实可以被看作一个 非马尔可夫的确定性过程。也就是说，不需要每一步都加随机噪声，可以设计一个“隐式”的概率路径，直接从噪声跳到干净图像。这个路径是确定的，只要固定种子，生成的图像完全一致。

更妙的是，DDIM 允许“跳步”——你可以原本要 1000 步，现在只走 50 步，甚至 20 步，它通过调整去噪公式中的系数来补偿跳步带来的误差。这就是为什么 DDIM 在低步数下依然能产生可辨认的图像，而 DDPM 会直接糊掉。我一开始以为 DDIM 是 DDPM 的加速版，后来发现它改变了生成过程的本质：从随机游走变成了确定性的轨迹。这解释了为什么换用 DDIM 后，同一张图的构图可能完全不同——它走的是一条不同的“去噪路径”。

从 SDE 到 ODE：为什么能加速

2021 年，Song 等人提出了一个统一的框架 Score-Based Generative Modeling through Stochastic Differential Equations，指出扩散模型的逆向过程既可以看作一个 SDE，也可以看作一个与之对应的常微分方程（ODE）。SDE 的路径有随机性，而 ODE 的路径是确定的。DDPM 遵循 SDE 路径，DDIM 则暗中遵循了 ODE 路径。这个发现开启了采样器加速的大门：既然 ODE 有成熟的数值求解方法，为什么不用那些高效的方法呢？

于是，Euler 和 DPM++ 这些名字登场了。它们不是为扩散模型发明的，而是数值分析中求解 ODE 的经典工具，只是被借过来用在去噪过程上。

Euler 和 DPM++：求解 ODE 的数学工具

Euler 方法是最简单的 ODE 求解器：用当前点的导数（也就是模型预测的去噪方向）乘以一个步长，线性外推下一步。在扩散模型中，每步去噪的过程正好可以用 Euler 方法迭代。Euler 采样器步数少时容易产生模糊，因为一阶近似误差大。但它的优点是简单、快，且兼容性好。

DPM++ 则是一系列高阶求解器的统称，源自 DPM-Solver 论文。它利用扩散模型去噪过程的半线性结构，将每步预测分解为“线性部分”和“非线性部分”，然后对非线性部分使用高阶近似（如 Runge-Kutta 方法）。DPM++ 2M 就是二阶多步方法，能在 20 步以内生成高质量图像，收敛速度吊打 Euler。我实测过，DPM++ 2M Karras 在 15 步时就能生成清晰的人脸，而 Euler 同样步数下脸还是糊的。

Karras 等人在 Elucidating the Design Space of Diffusion Models 中进一步优化了噪声调度，提出了带“Karras”后缀的采样器，通过调整每一步的噪声水平，让模型在关键阶段更精细地处理细节。所以你会看到 DPM++ 2M Karras 在社区中备受推崇。

采样器	类型	随机性	典型步数	特点
DDPM	SDE 求解	随机	500-1000	细节丰富，极慢，步数少崩溃
DDIM	ODE 隐式	确定	20-50	稳定，可重现，构图路径独特
Euler	ODE 一阶	确定	20-50	简单快速，低步数模糊
DPM++ 2M	ODE 高阶	确定	10-25	收敛极快，质量高，推荐
DPM++ SDE	SDE 高阶	随机	10-25	保留随机性，细节更丰富

为什么换采样器图片就变了？——路径依赖与收敛性

到这里，你应该能回答标题的问题了。扩散模型生成图片，本质是在一个高维空间里从噪声点出发，按照一定的“去噪轨迹”走到一幅图像。不同的采样器，划出的轨迹不同。即使都收敛到同一个“干净图像”的分布，由于步数有限，近似误差会让不同轨迹停在不同终点，导致构图、光影、细节的差异。而且，ODE 采样器是确定性的，给定种子和步数，轨迹唯一；SDE 采样器则引入随机性，每次走的路都不同。

我踩过一个坑：用 DDIM 20 步生成一张满意的图，想用 DPM++ 2M 20 步复现，结果完全不对。后来才明白，DDIM 的跳步策略和 DPM++ 的求解路径差异巨大，即使步数相同，它们对噪声的加权方式不同，所以需要重新调整提示词和种子来适应新采样器。

如何选择采样器？

没有绝对最优，只有权衡。如果你追求稳定可复现，用 DDIM 或 Euler（确定性）。如果你想要快速高质量，DPM++ 2M Karras 是当前社区公认的甜点，15-20 步即可。如果你需要丰富的随机细节（比如画自然纹理），DPM++ SDE 或 DDPM 在足够步数下表现更好。在 AUTOMATIC1111 的 WebUI 里，采样器列表很长，但多数是上述变体。