DistanceSampler：基于相对距离的实验性采样器

开发者 Extraltodeus 近日打造了一个基于相对距离的自定义实验性采样器——DistanceSampler。该采样器的设计理念是在开始阶段获得更精确的结果，因为大部分工作都在这个阶段完成。随后，采样器会加速，结尾使用 Heun 方法进行优化。

• GitHub：https://github.com/Extraltodeus/DistanceSampler

工作原理

• 初始阶段：采样器在前几个步骤中运行较慢，专注于获取更精确的结果。这一阶段通过计算相对距离来优化采样过程，确保生成的图像在早期阶段就具备较高的质量。
• 加速阶段：在完成初始阶段后，采样器会加速，最终使用 Heun 方法进行优化，确保生成过程的高效性和结果的稳定性。

优点

1. 减少畸形：DistanceSampler 能显著减少生成图像中的人体恐怖/融合畸形现象，生成的图像更加自然和逼真。
2. 高效采样：所需步数较少，通常在 4-10 步之间。推荐搭配 beta 或 AYS 使用 7 步，即可获得高质量的采样结果。
3. 高质量采样：即使在 CFG scale 为 1 的情况下（即没有无条件预测），DistanceSampler 也能高质量地采样简单主体，确保生成结果的准确性。

缺点

1. 速度较慢：由于在初始阶段进行了大量的精确计算，DistanceSampler 的整体运行速度较慢。不过，这也意味着生成的图像质量更高，用户可以耐心等待高质量的输出。
2. 结果变异性：生成结果可能存在一定的变异性，尤其是在不同的输入条件下。用户需要根据具体需求调整参数，以获得最佳结果。

变体说明

DistanceSampler 提供了两种主要变体，分别针对不同的应用场景：

1. "n" 变体（Negative）：
   • 名称中带有 "n" 的变体代表 "negative"（负）。它利用无条件预测来确定最佳输出，结果可能因负面提示的不同而有所差异。一般来说，这种变体在生成过程中犯的错误更少，适合对结果质量要求较高的场景。
2. "p" 变体（Positive）：
   • "p" 变体使用与每个先前步骤的比较来增强结果。这种变体生成的图像通常更加平滑，混乱度更低，适合需要更高一致性和稳定性的场景。

示例与比较

以下示例使用了 beta 调度器。由于 DistanceSampler 的速度较慢，步数已调整以匹配持续时间。尽管采样器运行缓慢，但只需少量步数即可获得高质量的结果。这使得 DistanceSampler 在生成复杂图像时表现出色，尤其是在需要高精度和高质量的场景中。

左边: Distance, 7 steps；右边: dpmpp2m, 20 steps