Sampler in Stable Diffusion sind die mathematischen Verfahren, mit denen aus reinem Rauschen Schritt für Schritt ein Bild entsteht – Euler, DPM++ und DDIM gehören zu den meistgenutzten und unterscheiden sich in Tempo, Qualität und Stilcharakter.
Rubrik: GenAI & Content Creation · Unterrubrik: Stable Diffusion · Niveau: Fortgeschritten Synonyme / Auch bekannt als: Diffusion-Sampler, Solver, Scheduler, Noise Scheduler
Was ist ein Sampler?
Ein Sampler ist der Algorithmus, der entscheidet, wie der Denoising-Prozess in Stable Diffusion genau abläuft. Ausgehend von zufälligem Rauschen wird das Bild in n Schritten („Steps") iterativ entrauscht – der Sampler legt fest, wie groß diese Schritte sind, ob sie deterministisch oder stochastisch verlaufen und wie schnell das Ergebnis konvergiert.
Erklärung
Stable Diffusion lernt während des Trainings, Rauschen schrittweise zu entfernen. Beim Generieren wird dieser Prozess umgekehrt: aus reinem Rauschen wird in vielen Schritten ein Bild herausgearbeitet. Der Sampler steuert die mathematische Umsetzung dieses umgekehrten Prozesses. Unterschiedliche Sampler liefern bei identischem Prompt, Seed und Modell deutlich unterschiedliche Bilder.
Die wichtigsten Sampler-Familien:
| Sampler | Charakter | Typische Steps | Stärke |
|---|---|---|---|
| Euler | Stochastisch, klassisch | 20–30 | Stabil, weicher Look |
| Euler a (ancestral) | Stochastisch mit Noise-Injektion | 20–30 | Variabler, kreativer Look |
| DPM++ 2M | Deterministisch, schnell | 15–25 | Beste Qualität pro Step, neutral |
| DPM++ 2M Karras | DPM++ mit Karras-Scheduler | 15–25 | Detailreicher, gut für Foto |
| DPM++ SDE | Stochastisch | 25–40 | Hohe Detailtiefe, langsamer |
| DDIM | Deterministisch, schnell | 20–50 | Konsistent, gut für Animation |
| Heun | Deterministisch, zweistufig | 20–30 | Akkurat, aber doppelt so langsam |
| LMS | Linear Multi-Step | 20–30 | Älter, eher selten genutzt |
| UniPC | Modern, sehr schnell | 8–15 | Schnellste Konvergenz |
Stochastisch vs. deterministisch: Stochastische Sampler (Euler a, DPM++ SDE) fügen in jedem Schritt neues Rauschen hinzu – das führt zu mehr Varianz, aber auch zu Inkonsistenzen, wenn man bei gleichem Seed reproduzieren will. Deterministische Sampler (DDIM, Euler, DPM++ 2M) liefern mit gleichem Seed identische Resultate – ideal für Animation und Iteration.
Scheduler: Die meisten Sampler werden mit einem Karras-Scheduler kombiniert (eine angepasste Noise-Verteilung, die Übergänge weicher macht). „DPM++ 2M Karras" ist daher das DPM++ 2M mit Karras-Noise – meist die beste Wahl für SD 1.5 und SDXL.
Die Schritt-Anzahl (Steps) ist sampler-abhängig: UniPC und DPM++ 2M konvergieren früh (15 Steps reichen oft), während Heun oder DPM++ SDE 30–40 Steps brauchen für gleiches Niveau.
Beispiele
- Beispiel 1 (Foto-Standard): SDXL +
DPM++ 2M Karras+ 25 Steps + CFG 6.5 – die Standardeinstellung für hochwertige fotorealistische Resultate. - Beispiel 2 (Schnellvorschau): SD 1.5 +
UniPC+ 12 Steps + CFG 5 – ideal für Prompt-Iteration, wenn 100+ Bilder pro Stunde gerendert werden. - Beispiel 3 (Animation, Konsistenz): SD 1.5 +
DDIM+ 30 Steps + CFG 7 – deterministischer Sampler, der gleiche Seeds reproduzierbar macht, wichtig bei AnimateDiff. - Beispiel 4 (Kreative Vielfalt): SD 1.5 +
Euler a+ 28 Steps + CFG 7 – stochastischer Sampler, der bei gleichem Prompt mehr Varianz erzeugt, gut für Konzept-Exploration. - Beispiel 5 (Maximale Detailtiefe): SDXL +
DPM++ SDE Karras+ 35 Steps + CFG 5 – langsamer, aber feinste Texturen und Lichteffekte. - Beispiel 6 (Inpainting): Beim Inpainting ist
Euler aoft die beste Wahl, weil seine Noise-Injektion die Übergangskanten besser verdeckt.
In der Praxis
Wer mit Stable Diffusion oder einem davon abgeleiteten Modell (Realistic Vision, JuggernautXL, Flux) arbeitet, sollte DPM++ 2M Karras als Default setzen – es liefert in der Regel die beste Qualität pro Sekunde Rechenzeit. Bei animierten Workflows (AnimateDiff, Deforum) ist DDIM Pflicht wegen Determinismus.
Tools wie Automatic1111 WebUI, ComfyUI, InvokeAI und Fooocus unterstützen alle gängigen Sampler. Bei ComfyUI sind Sampler und Scheduler getrennt einstellbar – das ergibt mehr Kombinationen (z.B. „dpmpp_2m" + „karras" + 25 Steps).
Bei Flux-Modellen (Black Forest Labs) sind die Sampler teils andere – Flux nutzt Flow Matching statt klassischer Diffusion, hier sind „euler" und „dpmpp_2m" mit Flux-spezifischen Schedulern Standard.
Faustregel: Bei neuem Modell die ersten 10 Tests mit DPM++ 2M Karras + 25 Steps + CFG 7 machen, dann gezielt variieren. Sampler-Wechsel bei gleichem Seed führt zu erkennbaren Stilunterschieden.
Vergleich & Abgrenzung
| Sampler | Tempo | Qualität | Reproduzierbar |
|---|---|---|---|
| Euler | Mittel | Solide, weich | Ja |
| Euler a | Mittel | Variabel, kreativ | Nein (stochastisch) |
| DPM++ 2M Karras | Schnell | Sehr hoch | Ja |
| DDIM | Schnell | Solide, neutral | Ja |
| UniPC | Sehr schnell | Hoch | Ja |
| DPM++ SDE | Langsam | Höchste Detailtiefe | Nein |
Sampler unterscheiden sich auch im Charakter: Euler-basierte Sampler tendieren zu weicheren, malerischen Ergebnissen; DPM++ liefert technische Schärfe; DDIM ist neutral. Ein Bild wirkt mit Euler oft „künstlerischer" als mit DDIM, bei identischem Prompt.
Häufige Fragen (FAQ)
Welcher Sampler ist „der beste"? Es gibt keinen universellen Sieger. Für die meisten Stable-Diffusion-Anwendungen ist DPM++ 2M Karras ein hervorragender Default. Für Animation: DDIM. Für Speed: UniPC. Für Inpainting: Euler a. Wer ein neues Modell erkundet, testet idealerweise 3–4 Sampler mit gleichem Prompt und Seed.
Warum unterscheiden sich Euler und Euler a so stark? „Euler a" ist die ancestral Variante: sie fügt in jedem Schritt frisches Rauschen hinzu und ist damit stochastisch. Das macht den Sampler kreativer, aber auch unvorhersehbarer. „Euler" (ohne a) ist deterministisch und reproduziert mit gleichem Seed exakt das gleiche Bild. Für reproduzierbare Workflows: Euler. Für Exploration: Euler a.
Warum schauen meine Bilder schlechter aus, wenn ich die Steps erhöhe? Manche Sampler konvergieren früh – mehr Steps bringen ab einem bestimmten Punkt nichts, manchmal sogar Über-Glättung oder Detailverlust. Bei DPM++ 2M sind 25 Steps oft besser als 50. Höhere Step-Zahlen lohnen sich vor allem bei DPM++ SDE, Heun und LMS.
Weiterführend
- Karras, Tero et al. (2022): Elucidating the Design Space of Diffusion-Based Generative Models. NVIDIA Research, arxiv.org/abs/2206.00364
- Lu, Cheng et al. (2023): DPM-Solver++: Fast Solver for Guided Sampling of Diffusion Probabilistic Models. arxiv.org/abs/2211.01095
- AUTOMATIC1111 (2024): Stable Diffusion WebUI Documentation – Samplers. github.com/AUTOMATIC1111/stable-diffusion-webui/wiki
- Stable Diffusion Art (2024): Sampler Comparison Guide. stable-diffusion-art.com/samplers
