Методы выборки относятся к алгоритмам или сэмплерам, влияющим на окончательный результат изображения. По сути, они служат селекторами «стиля», которые нейронная сеть Stable Diffusion воспринимает в ответ на текстовый запрос.
На результат изображения напрямую влияет используемый сэмплер. Предсказать результат невозможно, что требует экспериментов с различными сэмплерами.
На данный момент в телеграм боте Stable Diffusion доступны следующие сэмплеры:
- Euler a
- DPM++ 2M Karras
- DPM++ SDE Karras
UniPC
Для чего же они нужны...?
Euler a
Работает быстро и стабильно, при этом количество ненужных компонентов сведено к минимуму. Однако это может привести к низкой детализации и «плоским» цветам. Как правило, достаточно использовать 20 шагов, а превышение 30 не требуется. Вариация Euler a сопоставима и направлена на получение стабильного результата с меньшим количеством шагов.
DPM++ 2M Karras
Дает много деталей, при резкой но гладкой картинке, сохраняя цвета и гамму. Из минусов – может запутаться в волосах-одежде объединив их (как и другие на самом деле), и работает медленнее. Достаточно 20 итераций, в особых случаях не более 30.
DPM++ SDE Karras
Самый прогрессивный алгоритм создает изображения с минимальными ошибками, меньшей вероятностью мутаций и другими преимуществами.
UniPC
Делается быстро и с энтузиазмом, это может дать интригующие результаты, особенно в определенных стилях. Однако иногда это может привести к ерунде. Желательно провести не менее 30 испытаний.
UniPC демонстрирует более быструю сходимость по сравнению с предыдущими методами благодаря повышенному порядку точности. Результаты, как количественные, так и качественные, показывают, что UniPC может значительно улучшить качество выборки, особенно в течение короткого промежутка времени, состоящего из 5–10 шагов.
В SD доступно множество сэмплеров, лишь немногие из них действительно полезны и заслуживают внимания.
Посмотрите, какие нейроиллюстрации я создал с помощью телеграм бота Stable Diffusion: https://t.me/yes_ai_bot?start=161978104
#нейронныесети #ИИ #искусственныйинтеллект #машинноеобучение #StableDiffusion #большиеданные #робототехника
