qidao123.com技术社区-IT企服评测·应用市场

标题: Stable Diffusion 核心参数详解：新手必懂的配置指南！ [打印本页]

---

作者: 锦通    时间: 2025-4-13 07:50
标题: Stable Diffusion 核心参数详解：新手必懂的配置指南！

你是否曾经在天生图像时感到狐疑，不知道如何调整参数才能得到抱负的结果？在初步相识Stable Diffusion的工作流程后，你会发现几个关键参数——CFG、Denoise、Sampling、Seed和Resolution——它们不光是初学者开始打仗的配置，更是影响图像天生结果的核心因素。掌握这些参数，你将能够轻松控制图像的风格、细节和质量，释放Stable Diffusion的潜力。
本文将为你详细解析这些参数，帮助你从初学者快速进阶为图像天生高手。让我们一起开启Stable Diffusion的奥妙之旅！
这份完备版的SD整合包已经上传CSDN，朋侪们假如需要可以微信扫描下方CSDN官方认证二维码免费领取【包管100%免费】

下图展示了这些参数在 ComfyUI 中的位置。尽管在 SD-WebUI 中的界面结构不同，但它们的用途和设置规则雷同。

CFG（无分类引导，Classifier Free Guidance）
CFG 控制提示词（prompt）对天生图像的影响力。

• 
  
  
  
  • 值越高 → 越遵照提示词，但大概导致画面不自然、细节丢失（如过分锐利、涂抹感）。
    
  
  
• 
  
  
  
  • 值越低 → AI 更自由发挥，大概产生更自然的图像，但容易偏离提示词。
    
  
  
• 
  
  
  
  • CFG = 0 → 完全忽略提示词，天生的图像内容几乎随机。
    
  
  

常见保举数值：

• 
  
  
  
  • SD 1.5 / SDXL → 保举 6~12（通常 7~9 结果较平衡）
    
  
  
• 
  
  
  
  • SD 3.5 Large/Medium → 保举 4~5，SD 3.5 Large Turbo → 保举 1.2（几乎无需修改）
    
  
  
• 
  
  
  
  • FLUX.1 → 保举 1（几乎无需修改）
    
  
  

留意：在使用不同模子时，建议先查阅官方保举值，然后再根据具体需求微调，以得到最佳结果。
以下是以SD1.5模子测试为例，展示CFG对图像的影响：

• 
  
  
  
  • 提示词：a cat with wings
    
  
  

Denoise（去噪强度，或称重绘幅度）

• 
  
  
  
  • Denoise 控制 Stable Diffusion 在天生过程中去除初始噪声的程度，从而影响终极图像的清晰度和变化程度。
    
  
  
• 
  
  
  
  • Denoise 值高（靠近 1） → 模子几乎完全摆脱初始噪声，图像自由度高，变更较大，适合 文生图。
    
  
  
• 
  
  
  
  • Denoise 值低（＜1） → 天生过程中保存更多原始图像特性，适合图生图或局部修复。比方：
    
  
  
• 
  
  
  
  • 
    
    
    
    • Denoise = 0.2 ~ 0.4：适用于对原图进行微调。
      
    
    
  
  
• 
  
  
  
  • 
    
    
    
    • Denoise = 0.6 ~ 0.8：会产生较大改动。
      
    
    
  
  
• 
  
  
  
  • Denoise=0 → 完全不改变输入图像，仅用于特殊用途。
    
  
  

使用建议：

• 
  
  
  
  • 文生图 → 一般设置 Denoise=1，以确保模子完全根据提示词天生新图像。
    
  
  
• 
  
  
  
  • 图生图 → Denoise 介于 0.2 ~ 0.8，数值越高，原图改动越大。
    
  
  
• 
  
  
  
  • 局部修复 → Denoise 建议在 0.5 ~ 0.7，既能修复，又能与原图自然融合。
    
  
  

以下是 文生图 时，不同 Denoise 值对天生图像的影响：

• 
  
  
  
  • 提示词：a cat with wings
    
  
  

以下是 图生图 时，不同 Denoise 值对天生图像的影响：

• 
  
  
  
  • 提示词：a dog
    
  
  
• 
  
  
  
  • 输入一张猫的图像
    
  
  

CFG和Denoise的相互作用

• 
  
  
  
  • CFG（提示依从度） → 控制模子多大程度遵照提示词。
    
  
  
• 
  
  
  
  • Denoise（去噪强度） → 控制模子在去噪过程中修改图像的幅度。
    
  
  

由于 Stable Diffusion 天生图像的核心过程是 从噪声中渐渐提取可辨认的形状和细节，而 提示语的影响力（CFG）是在去噪过程中发挥作用的，以是 Denoise 值会影响 CFG 的实际结果：

• 
  
  
  
  • Denoise 低（＜1） → 只进行部分去噪，意味着天生的图像 更受原图约束，导致 CFG 的影响力变弱，纵然提升 CFG 也不会完全按照提示天生新内容。
    
  
  
• 
  
  
  
  • Denoise 高（靠近 1） → 彻底去噪，模子可以完全重新塑造图像，这时 CFG 可以充分发挥作用，使天生结果更符合提示词。
    
  
  
• 
  
  
  
  • Denoise 过高（>1，通常无效） → 大概导致天生结果失控，变得随机甚至崩坏。
    
  
  

示例（文生图）

• 
  
  
  
  • 低 Denoise + 高 CFG → 提示语影响较弱，天生图像较为随机，不太符合预期。
    
  
  
• 
  
  
  
  • 高 Denoise + 高 CFG → 提示语影响力强，图像严格按照提示天生。
    
  
  
• 
  
  
  
  • 高 Denoise + 低 CFG → 允许 AI 自由发挥，大概出现更具创造性的结果。
    
  
  
• 
  
  
  
  • 低 Denoise + 低 CFG → 天生图像几乎不受提示影响，更倾向于随机或保存初始输入特性。
    
  
  

以下是文生图时，不同Denoise和CFG对结果的影响：

• 
  
  
  
  • 提示词：a dog
    
  
  

以下是图生图时，不同Denoise和CFG对结果的影响：

• 
  
  
  
  • 提示词：a dog
    
  
  
• 
  
  
  
  • 导入一张猫的原始图像
    
  
  

Sampling（采样）
在 Stable Diffusion 中，Sampling（采样） 是从 随机噪声渐渐天生清晰图像 的过程。这个过程涉及 多个步骤，每一步都会减少噪声，并使图像更靠近提示词所描述的内容。
采样的核心参数包罗：Sampler（采样器）、Noise Scheduler（噪声调理表）、Steps（采样步数）
Sampler（采样器）
采样器决定了去噪的方式，即模子如何一步步将噪声转换为清晰图像。不同的采样器在风格、质量和计算速率上有所不同，适用于不同需求的场景。
常见采样器及特点：

选择采样器的建议：

• 
  
  
  
  • SD 1.5 → DPM++ 2M SDE 或 Euler a，分身速率和质量。
    
  
  
• 
  
  
  
  • SDXL → UniPC，官方保举，细节体现更好。
    
  
  
• 
  
  
  
  • 快速出图（低步数） → Euler a 或 DDIM。
    
  
  
• 
  
  
  
  • 高质量 & 细节丰富 → DPM++ 系列。
    
  
  

留意：不同模子的最佳采样器大概不同，建议先查阅模子官方保举，再进行选用。
Noise Schedule（噪声调理表）
噪声调理表决定去噪的强度变化，影响图像的平滑度、细节和风格。
在图像天生过程中，最初的图像是完全随机的噪声，随着每一步去噪，图像逐渐清晰。噪声表控制每一步该去掉多少噪声，影响终极图像的细节体现。
噪声调理表的作用：

• 
  
  
  
  • 去噪幅度较大 → 收敛速率快，但大概丧失细节。
    
  
  
• 
  
  
  
  • 去噪幅度较小 → 收敛更平滑，图像质量更高。
    
  
  

以SD1.5模子常用的噪声调理表 Karras 为例，从图中可以看出，它接纳了一种更为平稳缓和的去噪方式，在靠近过程结束时减少的幅度变得更小。这种方式有助于提升终极天生图像的质量。

以下是使用不同采样器和噪声调理表组合天生的图像矩阵对比：

留意：噪声调理表有多种类型，并且随着技术的发展，这些调理表也会不停迭代或新增。此外，不同的模子大概有不同的最佳噪声调理表。因此，建议在选用之前，先查阅模子官方保举的噪声调理表。
Sampling steps（采样步幅）

采样步数决定了模子渐渐优化图像的次数。更多的步数通常意味着更好的细节，但并不是越多越好：

• 
  
  
  
  • ✅ 步数适中（如 20-30 步） → 图像清晰、细节丰富，天生速率适中。
    
  
  
• 
  
  
  
  • ❌ 步数太低（如 5-10 步） → 细节不敷，大概产生模糊或失真。
    
  
  
• 
  
  
  
  • ❌ 步数过高（如 100+ 步） → 计算变慢，大概导致过拟合，图像变得生硬、不自然。
    
  
  

一般建议：

• 
  
  
  
  • SD 1.5 → 20 ~ 30 步
    
  
  
• 
  
  
  
  • SDXL → 30 ~ 50 步
    
  
  
• 
  
  
  
  • SD 3.5 → 28 ~ 50步
    
  
  
• 
  
  
  
  • FLUX.1 → 20 ~ 50步
    
  
  

提示：不同模子的最佳采样步数有所不同，建议在选用之前，先查阅模子官方保举。
通过测试可以看出，当采样步数到达一定数量后，图像质量的提升变得不再明显。因此，应该设置一个符合的步数，以实现图像质量和时间斲丧之间的最佳平衡。

Seed（种子）
在Stable Diffusion中，Seed（种子） 控制天生图像时的初始噪声。可以把 Seed 明白为一个“随机起点编号”，它决定了 AI 天生图像时的初始状态。

• 
  
  
  
  • 雷同的 Seed 在雷同模子、雷同参数的条件下，会天生雷同的图像，包管可重复性。
    
  
  
• 
  
  
  
  • 不同的 Seed 则会带来不同的随机噪声分布，纵然其他参数不变，终极天生的图像也会有所不同。
    
  
  

因此，在调整参数时，固定 Seed 便于对比不同设置的影响，而随机 Seed（如设置为 -1）则用于探索更多变化大概。
Resolution（分辨率，图像宽/高）
正确设置图像分辨率对于天生质量至关紧张。不同的模子在训练时使用的数据集尺寸不同，天生方式也有所差异，因此每个模子都有特定的最佳分辨率范围。假如设置不妥，大概会导致图像细节缺失、构图失衡，甚至出现严峻的畸变。
保举的分辨率（宽 × 高）：

• 
  
  
  
  • SD1.5 → 512 × 512（正方形），或 512 × 768 / 768 × 512（长方形）
    
  
  
• 
  
  
  
  • SDXL → 1024 × 1024（正方形），或 1024 × 1344 / 1344 × 1024（长方形）
    
  
  
• 
  
  
  
  • SD3.5 → 单边尺寸 1024 ~ 1440（图像比例较SD1.5/SDXL更加灵活）
    
  
  
• 
  
  
  
  • FLUX.1 → 单边尺寸 1024 ~ 1440（图像比例较SD1.5/SDXL更加灵活）
    
  
  

初学者需留意：不要盲目寻求超高分辨率！
直接设置超大尺寸不光会大幅增加计算成本（占用更多显存、延长天生时间），还大概影响图像质量。正确的做法是先按模子保举的分辨率天生图像，然后使用 “Image Upscale” 放大技术（如 R-ESRGAN、4x-UltraSharp）来提升分辨率，同时保持细节清晰度。
总结
在Stable Diffusion天生图像的过程中，多个核心参数共同决定了终极的结果：

• 
  
  
  
  • CFG 控制模子对提示词的依从程度，值越高，图像越贴合提示；越低，AI自由发挥更多。
    
  
  
• 
  
  
  
  • Denoise 影响去噪的强度，在图生图时决定对原始图像的保存程度。
    
  
  
• 
  
  
  
  • Sampler 决定去噪的方式，不同的采样器会影响风格、质量和天生速率。
    
  
  
• 
  
  
  
  • Noise Schedule/Scheduler 控制去噪强度的变化，影响图像的平滑度和细节体现。
    
  
  
• 
  
  
  
  • Sampling Steps 设定去噪的步数，步数越多，画面细节越丰富，但过高大概导致过拟合。
    
  
  
• 
  
  
  
  • Seed 设定随机噪声的初始状态，雷同的种子可复现雷同的结果。
    
  
  
• 
  
  
  
  • Resolution 直接影响图像质量，设置符合的尺寸至关紧张，过大大概影响结果，保举使用最佳分辨率+放大技术的组合方式。
    
  
  

这份完备版的SD整合包已经上传CSDN，朋侪们假如需要可以微信扫描下方CSDN官方认证二维码免费领取【包管100%免费】

假如你是 Stable Diffusion 初学者，掌握这些参数是天生高质量图像的第一步！ 当然，Stable Diffusion 的世界远不止这些参数，还有 Lora、ControlNet、Inpainting 等进阶技术，可以进一步增强创作的自由度和可控性。将来的文章将继续深入解析这些内容，欢迎关注，一起探索 AI 绘画的无限大概！

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。

---

欢迎光临 qidao123.com技术社区-IT企服评测·应用市场 (https://dis.qidao123.com/)

Powered by Discuz! X3.4