Sampler und Scheduler in Stable Diffusion definieren gemeinsam den mathematischen Algorithmus, mit dem das Modell in jedem Schritt Rauschen entfernt, sie bestimmen Qualität, Geschwindigkeit und stilistische Charakteristika der Ausgabe.
Rubrik: GenAI & Content Creation · Unterrubrik: Stable Diffusion · Niveau: Fortgeschritten
Was sind Sampler und Scheduler?
Das Kernprinzip von Stable Diffusion ist iteratives Denoising: In jedem Step entfernt das Modell einen Teil des Rauschens aus dem Latent. Welcher mathematische Algorithmus dabei zur numerischen Integration der Differentialgleichung genutzt wird, bestimmt der Sampler. In welchem Rhythmus das Rauschpegel über die Steps abnimmt, bestimmt der Scheduler (auch: Noise Schedule).
Die Unterscheidung ist wichtig: Sampler und Scheduler wurden in AUTOMATIC1111 lange kombiniert benannt (z. B. „DPM++ 2M Karras"), sind aber konzeptionell separate Komponenten. Karras ist der Scheduler, DPM++ 2M der Sampler. Seit Version 1.9 (April 2024) wählt man in A1111 beides getrennt; ComfyUI trennt Sampler und Scheduler im KSampler-Node schon immer.
Erklärung
Sampler-Kategorien
ODE-basierte Sampler (deterministische, konvergente):
Euler (a): Einfachster ODE-Löser (Euler-Methode, erste Ordnung). Schnell, stabil, gute Qualität ab etwa 20 Steps. „Euler a“ ist die ancestrale Variante: Sie fügt in jedem Schritt neues Rauschen hinzu und konvergiert deshalb nicht, das Bild verändert sich mit der Step-Zahl.
Heun: Verbesserte Euler-Methode (Runge-Kutta 2. Ordnung). Bessere Qualität pro effektivem Step, aber doppelt so langsam wie Euler.
DPM2: Sampler zweiter Ordnung aus der k-diffusion-Bibliothek (nach Karras et al., 2022). Braucht pro Step zwei Modellauswertungen und ist daher etwa halb so schnell wie Euler.
DPM++ 2M (Karras): Umsetzung von DPM-Solver++ (Lu et al., 2022), Multistep, 2. Ordnung, häufig mit Karras-Schedule kombiniert. Verbreiteter Standard für SD 1.5 und SDXL, sehr gute Qualität ab etwa 20-25 Steps.
DPM++ SDE Karras: Stochastische Differentialgleichung, leicht unterschiedliche, manchmal weichere Ergebnisse. Langsamer als DPM++ 2M.
DPM++ 2M SDE Karras: Stochastische Multistep-Variante; liefert detailreiche Ergebnisse, konvergiert aber wie alle SDE-Sampler nicht.
Distillation-Sampler (für destillierte Modelle):
LCM (Latent Consistency Model): Designed für LCM-destillierte Modelle. 4-8 Steps bei guter Qualität. Funktioniert nur korrekt mit LCM-Modellen oder LCM-LoRA.
Euler mit „trailing“-Timesteps (für SDXL-Lightning): Laut Modellkarte von SDXL-Lightning die empfohlene Einstellung, dazu CFG 0 und die zum Modell passende Step-Zahl.
Euler (für Flux): Für Flow-Matching-Modelle wie FLUX.1 ist Euler der übliche Sampler.
Scheduler-Typen
Karras: Schedule aus Karras et al. (2022) mit kleineren Schritten bei niedrigem Rauschen, also feinere Schritte gegen Ende. Bei vielen SD-Modellen eine gängige Empfehlung.
Exponential: Ähnlich wie Karras, mit exponentiell verteilten Rauschstufen.
SGM Uniform: Gleichmäßig verteilte Timesteps nach der Implementierung in Stabilitys „generative-models“; wird etwa für Turbo- und Lightning-Modelle genutzt.
Align Your Steps (AYS): Von NVIDIA vorgeschlagene, für bestimmte Modelle optimierte Schrittfolge (Sabour et al., 2024); in A1111 seit Version 1.10.
Beta: Schedule nach Lee & Lee (2024), Beta Sampling is All You Need, in ComfyUI wählbar.
Simple, Normal, DDIM uniform, KL Optimal, Linear Quadratic: weitere Scheduler, die ComfyUI im KSampler anbietet (Stand November 2026).
Steps und Qualität
Die Anzahl der Denoising-Steps beeinflusst Qualität und Generierungszeit:
| Steps | Qualität (Richtwert für SD 1.5/SDXL mit DPM++ 2M) |
|---|---|
| 10 | Grob, oft inkohärent |
| 15 | Akzeptabel für Previews |
| 20 | Gut, oft ausreichend |
| 25-30 | Sehr gut, übliche Empfehlung |
| 50 | Kaum besser als 30 |
| 100 | Kaum Unterschied zu 50 |
Die Rechenzeit wächst ungefähr linear mit der Step-Zahl; Heun und DPM2 brauchen pro Step zwei Modellauswertungen.
Mehr Steps liefern für deterministische Sampler (Euler, DPM++ 2M) ab etwa 30 Steps kaum Qualitätssteigerung. Ancestrale und SDE-Sampler (Euler a, DPM++ SDE) verändern das Bild dagegen weiter mit jeder Step-Zahl und konvergieren nicht.
Schritt-für-Schritt / Einrichtung
Sampler-Auswahl in AUTOMATIC1111
``` Empfohlene Sampler nach Anwendungsfall:
Allgemeiner Standard (SD 1.5 / SDXL): → DPM++ 2M Karras, 25 Steps
Fotorealismus: → DPM++ SDE Karras, 30 Steps
Künstlerische Illustration: → Euler A, 25-30 Steps (stochastisch, variierter)
Schnelle Previews: → Euler, 15 Steps
LCM/Turbo/Lightning (4-Step-Modelle): → LCM / Euler, 4-8 Steps
Flux.1: → Euler, 20-30 Steps ```
X/Y/Z-Plot für Sampler-Vergleich (A1111)
``` Script: X/Y/Z Plot X-Type: Sampler X-Values: Euler, DPM++ 2M Karras, DPM++ SDE Karras, DDIM, LMS Karras Y-Type: Steps Y-Values: 15, 20, 25, 30
→ Erzeugt Vergleichsgrafik aller Kombinationen → Optimale Parameter für das spezifische Modell/Prompt finden ```
Beispiele (5 konkrete Anwendungsfälle)
- Produktionsworkflow mit Konsistenz: Ein Content-Team nutzt für alle Projekt-Bilder denselben Sampler (DPM++ 2M Karras, 25 Steps, Karras-Schedule), um reproduzierbare, konsistente Ergebnisse zu gewährleisten. Parameteränderungen werden nur begründet eingeführt.
- Schnelle Iterations-Previews: Während der Prompt-Entwicklung nutzt der Nutzer Euler mit 12 Steps für 1-Sekunden-Previews. Wenn ein Prompt gefällt, wird auf 30 Steps + DPM++ 2M Karras für die finale Qualität gewechselt.
- Artistisches, variationsreiches Generieren: Für kreative Explorationen wird Euler a (ancestral) genutzt. Bei gleichem Seed und gleichen Einstellungen ist das Ergebnis reproduzierbar, aber schon eine andere Step-Zahl verändert das Bild deutlich, was neue Richtungen eröffnet.
- Schnelle Generierung mit LCM-LoRA: Für Live-Demonstrationen oder interaktive Anwendungen wird eine LCM-LoRA mit dem LCM-Sampler in etwa 4-8 Steps kombiniert, was die Wartezeit stark verkürzt.
- Flux-Produktionspipeline: Ein Medienunternehmen nutzt FLUX.1 [schnell] (Apache 2.0) mit Euler-Sampler und 4 Steps für kommerzielle Batch-Generierung.
In der Praxis
Sampler-Empfehlungen nach Modellgeneration
SD 1.5: DPM++ 2M Karras (Qualität) oder Euler A (Variationen)
SDXL: DPM++ 2M Karras oder DPM++ 2M SDE; für Turbo- und Lightning-Modelle Euler mit der in der Modellkarte genannten Einstellung (etwa „trailing“-Timesteps bzw. SGM Uniform)
Flux: Euler; für FLUX.1 [dev] oft 20-30 Steps (Referenz 50), für [schnell] 1-4
Scheduler-Kompatibilität
Nicht jede Kombination aus Sampler und Scheduler passt zu jedem Modell. In A1111 (ab 1.9) und ComfyUI (KSampler-Node) sind Scheduler als separate Auswahl konfigurierbar; ungünstige Kombinationen können zu Artefakten führen. Destillierte Modelle sollten mit den Einstellungen ihrer Modellkarte laufen.
Vergleich & Abgrenzung
| Sampler | Steps (min.) | Qualität | Speed | Stochastisch |
|---|---|---|---|---|
| Euler | 20 | Gut | Sehr schnell | Nein |
| Euler A | 20 | Gut | Sehr schnell | Ja |
| DPM++ 2M Karras | 20 | Sehr gut | Schnell | Nein |
| DPM++ SDE Karras | 25 | Sehr gut | Mittel | Ja |
| Heun | 20 | Gut | Langsam (2× Eval.) | Nein |
| LCM | 4 | Mittel (für 4 Steps) | Sehr schnell | Nein |
| DDIM | 30 | Gut | Mittel | Nein |
Häufige Fragen (FAQ)
F: Was ist der Unterschied zwischen DPM++ 2M und DPM++ 2M Karras? Der Unterschied liegt ausschließlich im Scheduler (Noise Schedule): DPM++ 2M ohne Karras nutzt den Standard-Schedule des Modells, DPM++ 2M Karras den Karras-Schedule, der gegen Ende feinere Schritte macht. Laut Vergleichstests konvergiert die Karras-Variante bei ausreichend vielen Steps schneller; sie ist deshalb eine verbreitete Voreinstellung, aber kein Muss für jedes Modell.
F: Welchen Sampler verwendet Midjourney? Midjourney nutzt einen proprietären Sampler, der nicht direkt mit SD-Samplern vergleichbar ist. Midjourney legt seine Sampling-Verfahren nicht offen und bietet keine Sampler-Auswahl. SD-Nutzende haben dagegen volle Kontrolle über Sampler, Steps und Schedule, auf Kosten der Einarbeitungszeit.
F: Muss ich bei destillierten Modellen wie Lightning, Turbo oder FLUX.1 [schnell] andere Einstellungen nutzen? Ja. Diese Modelle sind auf wenige Steps und meist CFG 0 bzw. 1 trainiert. Die Modellkarte nennt Sampler, Timestep-Verteilung und Step-Zahl, etwa für SDXL-Lightning Euler mit „trailing“-Timesteps und CFG 0.
Verwandte Einträge
- CFG Scale, Der andere Schlüsselparameter neben Sampler und Steps
- Stable Diffusion Grundlagen, Wie der Denoising-Prozess grundlegend funktioniert
- ComfyUI Workflows, Sampler-Konfiguration in ComfyUI's KSampler-Node
Weiterführend
- Karras, T. et al. (2022). Elucidating the Design Space of Diffusion-Based Generative Models. NeurIPS 2022.
- Lu, C. et al. (2022). DPM-Solver++: Fast Solver for Guided Sampling of Diffusion Probabilistic Models.
- Sabour, A. et al. (2024). Align Your Steps: Optimizing Sampling Schedules in Diffusion Models.
- Lee, H. & Lee, H. (2024). Beta Sampling is All You Need.
- Song, J. et al. (2020). Denoising Diffusion Implicit Models (DDIM). ICLR 2021.
- LCM: Luo, S. et al. (2023). Latent Consistency Models.
- A1111 Release 1.9.0 (Scheduler-Auswahl):
- Stable Diffusion Art: Stable Diffusion Samplers: A Comprehensive Guide (aktualisiert 2024).
