クリエイティブ実践ガイド
Stable Diffusionのサンプラー・スケジューラー比較図鑑｜全種類の違いとRTX 5090の実画像
目次
「DPM++ 2M Karrasがおすすめ」と聞いても、設定画面にはDPM++の派生がいくつもあり、Karrasは別の欄にある。名前を選べても、何が変わるのか分からないままでは、次の一枚をどう調整するか迷いますよね。
DPM++の名前がいっぱい！ Karrasは別の欄なの！？ もう何から比べればいいのよぉ！
最初は二組だけでいいよ。同じ条件の画像と秒数を見て、一つ選んでみよう。
このページでは、まず普段使いの候補を絞り、生成画像と秒数から一組を選んでいきます。サンプラーは計算の進め方、スケジューラーは計算に使うノイズ量の並びです。二つを別々に変えると、どの設定が絵へ効いたのかを追いやすくなります。
後半には、対象版の全標準方式を調べる図鑑もあります。初めから通読して名前を覚えるより、二枚比べて気になった名前へ戻る使い方がおすすめです。
最初はEulerとDPM++ 2Mの二枚から比べる
すでに好きな絵が出ているなら、今の画像と設定を残して、比較の出発点にしましょう。モデルの配布元が設定を案内している場合も、その組み合わせから始めると、変えた理由を追いやすくなります。
通常のIllustrious系SDXLで、出発点がまだ決まらないなら、Euler・Normal・30 Stepsから試してみましょう。今回のWAIモデルでは約3.0秒で生成でき、後の画像比較にも使っています。そこからサンプラーだけをDPM++ 2Mへ替えれば、まず二枚を比べられます。別のモデルでも最良になるという推薦ではなく、このページの結果と照らしやすい始め方です。
二枚を見てから、気になることに合わせて比較を増やします。待ち時間を減らしたいのか、別の形を見たいのかで、次に触る欄を選びましょう。
| やってみたいこと | 最初に見比べる候補 | 画像のどこを見る？ |
|---|---|---|
| まず普段使いの一組を決めたい | EulerとDPM++ 2M。Normal・30 Stepsをそろえる | 顔や物の形、髪や服の輪郭、かかった時間 |
| 人物や背景の別の描かれ方を探したい | EulerとEuler a | 顔の向き、髪や服の形、橋や建物のつながり |
| 待ち時間を減らしたい | 今の方式で30から20 Stepsへ減らす | 残したい形が保たれ、時間がどれだけ短くなるか |
| 仕上げに時間をかける価値があるか知りたい | 今の方式の30と40 Steps。必要ならHeunも候補へ | 拡大して気になる箇所が改善するか |
| サンプラーはそのままで雰囲気を変えたい | NormalとKarras。次にExponential | 構図、服のしわ、色や細部の配置 |
今回の人物と庭園では、Euler aやDPM++ 2Mも、使いたい画像を探す候補になりました。ただし、モデルや題材を替えたときの得意不得意までは分かっていません。「人物だからこの方式」と名前で割り当てず、候補を二つほど選んで、自分の題材を描かせてみましょう。
LCM・Turboなどの少ステップ用モデルやFlux系を使う場合は、ここで挙げた通常SDXLの組み合わせを移す前に、専用モデルの設定を見てください。モデルの配布ページや公式ワークフローから、そのモデルに合う出発点を選びます。
同じ30 Stepsでも、時間と絵は変わる
まず、同じ30 StepsのEulerとHeunを見てみましょう。モデル・プロンプト・Seedをそろえても、生成時間は約3.0秒と約5.4秒になりました。Stepsの数字だけでは、待ち時間も仕上がりも決まらない例です。
WAI Illustrious SDXL v17.0、Seed 20261018、CFG 5、1024×1024 画像を拡大して見る
WAI Illustrious SDXL v17.0、Seed 20261018、CFG 5、1024×1024 画像を拡大して見る
二枚の顔や肩の配置は近いものの、髪の束、袖、胴のしわには違いがあります。たとえばセーターを見せたい画像なら、しわのつながりが気になるはずです。拡大して細部の数を数えるより、使いたい形に近いのはどちらかを見てみてください。
Heunで時間が増えるのは、途中で補正のための計算をするためです。追加の待ち時間で好きなしわや輪郭になったなら、使う理由になります。普段表示する大きさで差が気にならなければ、Eulerの速さを選ぶこともできます。
ただ、ここで分かるのは同じStepsでの違いです。「Eulerにも5.4秒使わせたら、どちらがよいか」は、この二枚だけでは決まりません。同じ時間で比べるときの考え方も後で整理します。
サンプラーとスケジューラーは、何を変えている？
画像生成では、ノイズを含む状態をモデルへ渡し、その予測を使って次の状態を計算します。この処理を進めて、最後に画像へ戻します。設定画面の二つの名前は、この途中の進め方に関わっています。
次の状態をどう計算するかを決めるのがサンプラーです。Eulerは今の予測を使って進みます。Heunは一度仮に進み、その先でもモデルに予測させてから補正します。先ほど時間に差があったのは、こうした計算の違いによります。
どのノイズ量で計算するかを並べるのがスケジューラーです。ノイズの強さを表す値を**sigma（シグマ、σ）**と呼びます。「どれくらいノイズがある段階として扱うか」を示す数字で、配分を替えると途中でモデルへ渡す段階が変わります。
途中で予測し直すのか、前の予測も使うのかを見るなら、サンプラーの違いです。その計算を行うノイズ量と間隔を見るなら、スケジューラーの違いです。下の図では、この二つを分けて描いています。
Stepsは、その道のりを何区間に分けるかの目安です。同じ30 Stepsでも、一つの区間でモデルを呼ぶ回数は方式によって違います。Eulerは通常1回、Heunは最後を除いて2回。反対に、過去の予測を再利用して進む方式もあります。Stepsの数字だけで速さが決まらないのは、このためです。
「最初は構図、最後は細部」と分けて覚えたくなりますが、担当がきれいに分かれているわけではありません。途中の変化が、その先の形や配置にも影響します。スケジューラーを替えて構図まで変わることがあるのも、この仕組みとつながっています。
設定を一つだけ替えて、自分の二枚を作る
ここでは、すでに画像を一枚生成できる状態から始めます。初めての導入なら、Stable Diffusionをローカルで始める全体像が入口です。
今の画像と設定を保存したら、使っているアプリの手順へ進みます。比較中はモデル、プロンプト、Seed、CFG、解像度を同じにします。一度に動かす欄を一つにすると、変化を見つけたあとで元へ戻すのも簡単です。
ComfyUIではKSamplerの三つの欄を見る
通常のKSamplerを使うワークフローなら、変更する欄はsampler_name、scheduler、stepsです。
- 同じCheckpointとプロンプトを使い、Seedを同じ数字に固定します。生成後にSeedを変える設定になっている場合は、固定へ切り替えます。
sampler_nameをeuler、schedulerをnormal、stepsを30にして生成します。CFGと解像度は、動いている設定のままにします。- 一枚目を保存したら、
sampler_nameだけをdpmpp_2mへ替えて、もう一枚生成します。 - 二枚を同じ大きさで開き、気になる部分を見比べます。顔なら目と輪郭、服ならしわのつながり、背景なら建物や橋の形を追ってみましょう。
Euler aを試すときの名前はeuler_ancestralです。スケジューラーを比べる場合はサンプラーを固定したまま、schedulerだけをnormalからkarrasへ替えます。
これは通常のKSamplerを使う手順です。スケジューラーを独立したノードで作るワークフローは、後半の別ノードを使う方式とスケジューラー図鑑で扱います。
Forge Neoでは二つの選択欄を分けて変える
Forge NeoのSampling Methodがサンプラー、Schedule Typeがスケジューラーです。Sampling StepsでStepsを指定します。
txt2imgで動いているモデルとプロンプトを使います。Seedが-1なら、前の画像のSeedか、比較に使う固定の数字を入力します。Sampling MethodをEuler、Schedule TypeをNormal、Sampling Stepsを30にして生成し、PNGを保存します。Sampling MethodだけをDPM++ 2Mへ替えて生成します。比較中のSchedule TypeはNormalのままにします。- 保存した二枚の設定を確認してから、形と生成時間を見比べます。
ここでAutomaticを使わないのは、サンプラーによって選ばれるスケジューラーも変わることがあるためです。今回確認したForge Neoでは、DPM++ 2Mの既定はKarras、2M SDEはExponentialでした。普段使うには便利ですが、一項目ずつ比較するときは名前を指定した方が差を追えます。
ComfyUIとForge Neoでは、同じSeedでも同じ絵になるとは限りません。まずは、普段使っている方のアプリの中で比べましょう。
二枚を見たら、残したい違いを一つ選ぶ
二枚のどちらを選ぶか迷ったら、作りたかった物へ目を戻しましょう。髪を見せたいなら輪郭、橋なら欄干のつながりです。「服の色は好きだけど、顔は前の方がよい」と分かれば、それも次の設定を決める材料になります。
一枚目が好みなら、無理に新しい方式へ替える必要はありません。差が小さいときはSeedを変えてもう数枚作り、同じ良さや苦手な描写が続くかを見てみましょう。
スケジューラーは、いつ替えるとよい？
サンプラーとStepsに大きな不満はないけれど、服や髪を別の描かれ方でも見てみたい。そんなときは、スケジューラーだけを替えてみましょう。計算するノイズ量の並びが変わり、同じSeedでも細部や配置が動くことがあります。
最初の候補はNormalとKarrasに絞り、もう少し見たいときにExponentialを加えます。下の三枚はEuler・30 Stepsを共通にした結果です。肩まわりと胴のしわを同じ順番で見ていくと、違いを拾いやすくなります。
WAI Illustrious SDXL v17.0、Seed 20261018、CFG 5、1024×1024 画像を拡大して見る
WAI Illustrious SDXL v17.0、Seed 20261018、CFG 5、1024×1024 画像を拡大して見る
WAI Illustrious SDXL v17.0、Seed 20261018、CFG 5、1024×1024 画像を拡大して見る
この三枚では、顔や姿勢の大まかな配置は近く、衣服や細部に違いが出ました。スケジューラーだけを替えても絵は変わります。ただ、この一組から、ほかのモデルでもKarrasが有利だと決めることはできません。
Normal・Karras・Exponentialは、この順で見比べよう
Normalは、今回の比較に戻るための基準です。 これで使いたい絵が出ている間は、スケジューラーを替えずに、サンプラーやStepsを一つずつ調整できます。
Normalの画像を残してから、Karrasも試してみましょう。 Karrasは小さいノイズ量の領域にも計算点を置く配分です。その仕組みだけで髪や肌の改善は約束されないので、残したい形がどう変わったかを画像で見ます。モデルの配布元がKarrasを指定しているなら、その組み合わせを最初の基準にしてください。
Exponentialは、さらに違う配分を試す候補です。 ノイズ量の対数を等間隔にする方式で、同じ両端の値を使う区間では、ノイズ量が一定の比率で小さくなります。Karrasで変わった服の形が好みに合わなければ、Exponentialではどう描かれるか。そんな比較に使えます。今回のデータでは、人物専用・背景専用という使い分けまでは確認できていません。
この三つで好みの絵が出たら、そこで一組決めて大丈夫です。AYS・Betaなど、ほかの方式が気になったときは、スケジューラーの詳しい仕組みから比較範囲と対応条件を調べられます。
人物なら顔と髪、背景なら物のつながりを見る
人物なら、顔の左右、目の位置、髪と肩の境目を見ます。背景なら、橋や建物のつながり、遠近感、繰り返す窓や柵が自然につながるかを見てみましょう。
同じ変更が、人物では好みでも背景では合わないことがあります。だからこそ、方式の名前に「人物向け」「背景向け」と決めつけるより、作りたい題材で見る場所を決める方が役立ちます。今回のスケジューラー比較は主に一つのSeedなので、題材別の得意不得意を判断するには追加の画像が必要です。
スケジューラー全方式の比較画像を見る
Eulerを固定して生成した画像です。通常のKSamplerの選択肢と、sigmaを別ノードで作る方式を含みます。別ノードではノイズ量の範囲や点数も変わる場合があります。方式ごとの条件も一緒に見られます。
WAI Illustrious SDXL v17.0
Sampler: Euler ／ CFG 5 ／ 1024×1024 ／ Seed 20261018。
| Scheduler | 30 Steps |
|---|---|
| Normal | Seed 20261018◷ 2.9秒 （3回の中央値） |
| Simple |  Seed 20261018◷ 2.9秒 （3回の中央値） |
| SGM Uniform |  Seed 20261018◷ 2.9秒 （3回の中央値） |
| Karras | Seed 20261018◷ 2.9秒 （3回の中央値） |
| Exponential | Seed 20261018◷ 2.9秒 （3回の中央値） |
| DDIM Uniform |  Seed 20261018◷ 3.0秒 （3回の中央値） |
| Beta |  Seed 20261018◷ 2.9秒 （3回の中央値） |
| Linear Quadratic |  Seed 20261018◷ 2.9秒 （3回の中央値） |
| KL Optimal |  Seed 20261018◷ 2.9秒 （3回の中央値） |
| Align Your Steps（SDXL） |  Seed 20261018◷ 2.9秒 （3回の中央値） |
| Polyexponential |  Seed 20261018◷ 2.9秒 （3回の中央値） |
| Laplace |  Seed 20261018◷ 2.8秒 （3回の中央値） |
| VP |  Seed 20261018◷ 2.9秒 （3回の中央値） |
| GITS |  Seed 20261018◷ 2.9秒 （3回の中央値） |
画像を開くと拡大できます。2枚比較では、同じモデル・Seed・条件かをラベルで確認してください。秒数はサンプリング・VAE変換・PNG保存を含む処理全体で、待機とウォームアップ時のモデル読込を除きます。
似た名前は、どこが違う？
最初からすべての略語を覚える必要はありません。まず、設定画面で迷いやすい組み合わせだけ比べてみましょう。
EulerとEuler a：途中で新しいノイズを加えるか
Eulerは、その時点の予測を使って次へ進みます。Euler aは、進む途中で新しいノイズを加えます。このaはancestral（アンセストラル）の略です。
普段使いの違いとして見たいのは、Stepsを替えたときの描かれ方です。Euler aでは、途中に加わるノイズの流れも変わるため、髪の位置や服の形まで動くことがあります。別の描かれ方を探す候補になりますが、気に入った画像へ細部だけを足すつもりなら、元画像を残してから試しましょう。
WAI Illustrious SDXL v17.0、Seed 20261018、CFG 5、1024×1024 画像を拡大して見る
WAI Illustrious SDXL v17.0、Seed 20261018、CFG 5、1024×1024 画像を拡大して見る
WAI Illustrious SDXL v17.0、Seed 20261018、CFG 5、1024×1024 画像を拡大して見る
上はEuler aの20・30・40 Stepsです。ポニーテールの曲がり方や肩の形を見ると、「回数を増やす＝同じ絵へ描き足す」ではないことが分かります。これはEulerなら絶対に構図が変わらない、という意味でもありません。Stepsを変えると、計算するノイズ量の並び自体が作り直されます。
同じ設定をもう一度実行したときの再現性は別の話です。Euler aも、実装・Seed・乱数の生成方法をそろえれば再現できる条件があります。「aが付くと毎回勝手に別の絵になる」と覚える必要はありません。
DPM++ 2Mと2M SDE：名前が長い方が上位版？
DPM++ 2Mは、前の計算で得た予測も使って次へ進みます。このように履歴を使う方法をmultistep（多段法）と呼びます。2Mの2は計算方法の次数で、「一回のStepで必ずモデルを二回呼ぶ」という数え方ではありません。
2M SDEも履歴を使いますが、確率的な変化を含む計算をします。SDEは確率微分方程式の略です。最初は「ノイズの影響も含めて進める派生」と捉えておけば、選択の入口には十分です。Euler aと同じ式で動いているわけではありません。
今回のNormal条件では、DPM++ 2Mには大きなノイズのない画像があり、2M SDEには服や背景に色の粒が残る条件がありました。この掲載結果から普段使いを探すなら、まず2Mを見てみましょう。SDEは計算の種類を表す名前で、2Mより上位の画質を保証する印ではありません。
モデルの推奨設定が2M SDEなら、そのスケジューラーやCFGを含めた組み合わせで試しましょう。今回はサンプラー間の差を見るためにNormalを固定しており、それぞれの最適設定を探し尽くした比較ではありません。
EulerとHeun：待ち時間を増やして補正する
Eulerは今の予測から進み、Heunは仮に進んだ先でも予測して補正します。計算に時間を使う理由は、この追加の予測にあります。
仕上げで髪や服を見比べたいときには、Heunも候補にできます。ただし、数値計算の誤差を小さくすることと、好みの絵になることは同じではありません。約3.0秒と約5.4秒の冒頭の画像で差を見て、追加の待ち時間に価値を感じるか判断してみましょう。
2S・3M・GPU・CFG++は何の印？
2Sは各区間の中で中間の予測を使う構成、2Mや3Mは過去の予測を利用する構成を見分ける手がかりです。次数が高ければ、少ないStepsでも必ずきれいになるという意味ではありません。
末尾のGPUは、主にBrownianノイズをどこで生成するかの違いです。Brownianノイズは、これらの確率的な方式で使うノイズの作り方の一つ。GPU付きだけがGPUで画像を生成するわけではなく、高画質版の印でもありません。
CFG++は、プロンプトへ寄せる計算を変えた方式です。通常のCFGを大きくする設定とは違います。今回確認したForge NeoにはCFG 1〜2を勧める警告がありますが、掲載した共通比較はCFG 5です。CFG++を使うなら、モデルと実装が示す条件で別に比べる必要があります。
一覧では、同じStepsの絵と秒数を一緒に見る
こんなに並ぶと、どれが好きだったか忘れそうだわ。最初はどこを比べるの？
同じモデル・題材・30 Stepsで二つに絞ろう。まず残したい形を見て、その二枚にかかった時間を読むと選びやすいよ。
下の比較一覧を開き、ここまでで気になった方式を二つほど探してみてください。最初は30 Steps同士を見て、画像の下の秒数も読みます。そのあと同じ方式の20・40 Stepsへ進むと、待ち時間を増減した結果を比べられます。
比較の中心はWAI Illustrious SDXL v17.0、補助がRealism Illustrious v5.0です。二つともIllustrious系のSDXL派生なので、別の系列のモデルまで同じ結果が続くとは考えずに使います。
まず人物なら目と肩、庭園なら橋のつながりのように、見る場所を一つ決めます。その箇所がどちらも使える形なら、待てる秒数で選びましょう。形に問題がある一枚を、速いという理由だけで残さずに済みます。モデルや題材を替えたときは、前の候補と同じ条件を比べているかを画像の条件表示で確かめてください。
主比較は同じSeedで20・30・40 Stepsです。完成画像を何に使いたいかも考えながら、残すならどの一枚かを選んでみましょう。
サンプラー全方式の20・30・40 Stepsを見比べる
WAI Illustrious SDXL v17.0
Scheduler: Normal ／ CFG 5 ／ 1024×1024 ／ Seed 20261018。
| Sampler | 20 Steps | 30 Steps | 40 Steps |
|---|---|---|---|
| Euler |  Seed 20261018◷ 2.2秒 （3回の中央値） | Seed 20261018◷ 3.0秒 （6回の中央値） |  Seed 20261018◷ 3.8秒 （3回の中央値） |
| Euler CFG++ |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| Euler a | Seed 20261018◷ 2.2秒 （3回の中央値） | Seed 20261018◷ 3.0秒 （6回の中央値） | Seed 20261018◷ 3.9秒 （3回の中央値） |
| Euler a CFG++ |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.8秒 （3回の中央値） |
| Heun |  Seed 20261018◷ 3.7秒 （3回の中央値） | Seed 20261018◷ 5.4秒 （6回の中央値） |  Seed 20261018◷ 7.2秒 （3回の中央値） |
| Heun++ 2 |  Seed 20261018◷ 5.3秒 （3回の中央値） |  Seed 20261018◷ 7.9秒 （3回の中央値） |  Seed 20261018◷ 10.4秒 （3回の中央値） |
| Exponential Heun 2 x0 |  Seed 20261018◷ 3.7秒 （3回の中央値） |  Seed 20261018◷ 5.4秒 （3回の中央値） |  Seed 20261018◷ 7.2秒 （3回の中央値） |
| Exponential Heun 2 x0 SDE |  Seed 20261018◷ 3.7秒 （3回の中央値） |  Seed 20261018◷ 5.4秒 （3回の中央値） |  Seed 20261018◷ 7.2秒 （3回の中央値） |
| DPM2 |  Seed 20261018◷ 3.7秒 （3回の中央値） |  Seed 20261018◷ 5.5秒 （3回の中央値） |  Seed 20261018◷ 7.2秒 （3回の中央値） |
| DPM2 a |  Seed 20261018◷ 3.8秒 （3回の中央値） |  Seed 20261018◷ 5.5秒 （3回の中央値） |  Seed 20261018◷ 7.2秒 （3回の中央値） |
| LMS |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| DPM fast |  Seed 20261018◷ 2.0秒 （3回の中央値） |  Seed 20261018◷ 2.9秒 （3回の中央値） |  Seed 20261018◷ 3.8秒 （3回の中央値） |
| DPM adaptive |  Seed 20261018◷ 5.0秒 （3回の中央値） | Seed 20261018◷ 5.0秒 （3回の中央値） | Seed 20261018◷ 5.0秒 （3回の中央値） |
| DPM++ 2S a |  Seed 20261018◷ 3.8秒 （3回の中央値） |  Seed 20261018◷ 5.6秒 （3回の中央値） |  Seed 20261018◷ 7.3秒 （3回の中央値） |
| DPM++ 2S a CFG++ |  Seed 20261018◷ 3.8秒 （3回の中央値） |  Seed 20261018◷ 5.5秒 （3回の中央値） |  Seed 20261018◷ 7.3秒 （3回の中央値） |
| DPM++ SDE |  Seed 20261018◷ 4.8秒 （3回の中央値） |  Seed 20261018◷ 7.2秒 （3回の中央値） |  Seed 20261018◷ 9.4秒 （3回の中央値） |
| DPM++ SDE GPU |  Seed 20261018◷ 4.0秒 （3回の中央値） |  Seed 20261018◷ 5.8秒 （3回の中央値） |  Seed 20261018◷ 7.7秒 （3回の中央値） |
| DPM++ 2M |  Seed 20261018◷ 2.2秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （6回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| DPM++ 2M CFG++ |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.8秒 （3回の中央値） |
| DPM++ 2M SDE |  Seed 20261018◷ 2.6秒 （3回の中央値） |  Seed 20261018◷ 3.8秒 （6回の中央値） |  Seed 20261018◷ 5.0秒 （3回の中央値） |
| DPM++ 2M SDE GPU |  Seed 20261018◷ 2.2秒 （3回の中央値） |  Seed 20261018◷ 3.2秒 （3回の中央値） |  Seed 20261018◷ 4.0秒 （3回の中央値） |
| DPM++ 2M SDE Heun |  Seed 20261018◷ 2.7秒 （3回の中央値） |  Seed 20261018◷ 3.8秒 （3回の中央値） |  Seed 20261018◷ 5.0秒 （3回の中央値） |
| DPM++ 2M SDE Heun GPU |  Seed 20261018◷ 2.2秒 （3回の中央値） |  Seed 20261018◷ 3.1秒 （3回の中央値） |  Seed 20261018◷ 4.1秒 （3回の中央値） |
| DPM++ 3M SDE |  Seed 20261018◷ 2.6秒 （3回の中央値） |  Seed 20261018◷ 3.8秒 （3回の中央値） |  Seed 20261018◷ 5.0秒 （3回の中央値） |
| DPM++ 3M SDE GPU |  Seed 20261018◷ 2.2秒 （3回の中央値） |  Seed 20261018◷ 3.1秒 （3回の中央値） |  Seed 20261018◷ 4.1秒 （3回の中央値） |
| DDPM |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| LCM |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 2.9秒 （3回の中央値） |  Seed 20261018◷ 3.8秒 （3回の中央値） |
| iPNDM |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| iPNDM-V |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| DEIS |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| CFG++ UD10 AB |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| RES Multistep |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.8秒 （3回の中央値） |
| RES Multistep CFG++ |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| RES Multistep a |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| RES Multistep a CFG++ |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 2.9秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| Gradient Estimation |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| Gradient Estimation CFG++ |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 2.9秒 （3回の中央値） |  Seed 20261018◷ 3.8秒 （3回の中央値） |
| ER SDE |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| SEEDS 2 |  Seed 20261018◷ 3.7秒 （3回の中央値） |  Seed 20261018◷ 5.5秒 （3回の中央値） |  Seed 20261018◷ 7.2秒 （3回の中央値） |
| SEEDS 3 |  Seed 20261018◷ 5.4秒 （3回の中央値） |  Seed 20261018◷ 7.9秒 （3回の中央値） |  Seed 20261018◷ 10.6秒 （3回の中央値） |
| SA Solver |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.1秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| SA Solver PECE |  Seed 20261018◷ 3.8秒 （3回の中央値） |  Seed 20261018◷ 5.7秒 （3回の中央値） |  Seed 20261018◷ 7.4秒 （3回の中央値） |
| DDIM | Seed 20261018◷ 2.1秒 （3回の中央値） | Seed 20261018◷ 2.9秒 （3回の中央値） | Seed 20261018◷ 3.7秒 （3回の中央値） |
| UniPC |  Seed 20261018◷ 2.2秒 （3回の中央値） |  Seed 20261018◷ 3.1秒 （6回の中央値） |  Seed 20261018◷ 4.0秒 （3回の中央値） |
| UniPC bh2 |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 4.0秒 （3回の中央値） |
Realism Illustrious v5.0 FP16
Scheduler: Normal ／ CFG 5 ／ 1024×1024 ／ Seed 20261018。主要6方式の比較です。
| Sampler | 20 Steps | 30 Steps | 40 Steps |
|---|---|---|---|
| Euler |  Seed 20261018◷ 2.0秒 （3回の中央値） |  Seed 20261018◷ 2.9秒 （3回の中央値） |  Seed 20261018◷ 3.8秒 （3回の中央値） |
| Euler a |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.1秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| Heun |  Seed 20261018◷ 3.7秒 （3回の中央値） |  Seed 20261018◷ 5.5秒 （3回の中央値） |  Seed 20261018◷ 7.2秒 （3回の中央値） |
| DPM++ 2M |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| DPM++ 2M SDE |  Seed 20261018◷ 2.7秒 （3回の中央値） |  Seed 20261018◷ 3.8秒 （3回の中央値） |  Seed 20261018◷ 4.9秒 （3回の中央値） |
| UniPC |  Seed 20261018◷ 2.2秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 4.0秒 （3回の中央値） |
画像を開くと拡大できます。2枚比較では、同じモデル・Seed・条件かをラベルで確認してください。秒数はサンプリング・VAE変換・PNG保存を含む処理全体で、待機とウォームアップ時のモデル読込を除きます。
人物以外も見たい：庭園の比較画像
赤い橋がある庭園の補助比較です。人物とはプロンプトが異なります。生成済みの条件を掲載しています。
WAI Illustrious SDXL v17.0
Scheduler: Normal ／ CFG 5 ／ 1024×1024 ／ Seed 20261018。
| Sampler | 20 Steps | 30 Steps | 40 Steps |
|---|---|---|---|
| Euler |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 2.9秒 （3回の中央値） |  Seed 20261018◷ 3.8秒 （3回の中央値） |
| Euler CFG++ |  Seed 20261018◷ 2.2秒 （3回の中央値） |  Seed 20261018◷ 3.1秒 （3回の中央値） |  Seed 20261018◷ 4.0秒 （3回の中央値） |
| Euler a |  Seed 20261018◷ 2.2秒 （3回の中央値） |  Seed 20261018◷ 3.2秒 （3回の中央値） |  Seed 20261018◷ 4.1秒 （3回の中央値） |
| Euler a CFG++ |  Seed 20261018◷ 2.3秒 （3回の中央値） |  Seed 20261018◷ 3.3秒 （3回の中央値） |  Seed 20261018◷ 4.2秒 （3回の中央値） |
| Heun |  Seed 20261018◷ 4.1秒 （3回の中央値） |  Seed 20261018◷ 5.8秒 （3回の中央値） |  Seed 20261018◷ 7.5秒 （3回の中央値） |
| Heun++ 2 |  Seed 20261018◷ 5.7秒 （3回の中央値） |  Seed 20261018◷ 8.3秒 （3回の中央値） |  Seed 20261018◷ 10.9秒 （3回の中央値） |
| Exponential Heun 2 x0 |  Seed 20261018◷ 4.1秒 （3回の中央値） |  Seed 20261018◷ 5.8秒 （3回の中央値） |  Seed 20261018◷ 7.7秒 （3回の中央値） |
| Exponential Heun 2 x0 SDE |  Seed 20261018◷ 4.1秒 （3回の中央値） |  Seed 20261018◷ 6.1秒 （3回の中央値） |  Seed 20261018◷ 7.6秒 （3回の中央値） |
| DPM2 |  Seed 20261018◷ 4.1秒 （3回の中央値） |  Seed 20261018◷ 5.9秒 （3回の中央値） |  Seed 20261018◷ 7.7秒 （3回の中央値） |
| DPM2 a |  Seed 20261018◷ 4.2秒 （3回の中央値） |  Seed 20261018◷ 6.0秒 （3回の中央値） |  Seed 20261018◷ 7.6秒 （3回の中央値） |
| LMS |  Seed 20261018◷ 2.5秒 （3回の中央値） |  Seed 20261018◷ 3.5秒 （3回の中央値） |  Seed 20261018◷ 4.5秒 （3回の中央値） |
| DPM fast |  Seed 20261018◷ 2.3秒 （3回の中央値） |  Seed 20261018◷ 3.3秒 （3回の中央値） |  Seed 20261018◷ 4.2秒 （3回の中央値） |
| DPM adaptive |  Seed 20261018◷ 7.3秒 （3回の中央値） | Seed 20261018◷ 7.3秒 （3回の中央値） | Seed 20261018◷ 6.8秒 （3回の中央値） |
| DPM++ 2S a |  Seed 20261018◷ 3.8秒 （3回の中央値） |  Seed 20261018◷ 5.6秒 （3回の中央値） |  Seed 20261018◷ 7.4秒 （3回の中央値） |
| DPM++ 2S a CFG++ |  Seed 20261018◷ 3.8秒 （3回の中央値） |  Seed 20261018◷ 5.5秒 （3回の中央値） |  Seed 20261018◷ 7.3秒 （3回の中央値） |
| DPM++ SDE |  Seed 20261018◷ 5.0秒 （3回の中央値） |  Seed 20261018◷ 7.2秒 （3回の中央値） |  Seed 20261018◷ 9.4秒 （3回の中央値） |
| DPM++ SDE GPU |  Seed 20261018◷ 4.0秒 （3回の中央値） |  Seed 20261018◷ 5.8秒 （3回の中央値） |  Seed 20261018◷ 7.7秒 （3回の中央値） |
| DPM++ 2M |  Seed 20261018◷ 2.2秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| DPM++ 2M CFG++ |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| DPM++ 2M SDE |  Seed 20261018◷ 2.7秒 （3回の中央値） |  Seed 20261018◷ 3.8秒 （3回の中央値） |  Seed 20261018◷ 5.0秒 （3回の中央値） |
| DPM++ 2M SDE GPU |  Seed 20261018◷ 2.2秒 （3回の中央値） |  Seed 20261018◷ 3.1秒 （3回の中央値） |  Seed 20261018◷ 4.1秒 （3回の中央値） |
| DPM++ 2M SDE Heun |  Seed 20261018◷ 2.7秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |  Seed 20261018◷ 5.1秒 （3回の中央値） |
| DPM++ 2M SDE Heun GPU |  Seed 20261018◷ 2.2秒 （3回の中央値） |  Seed 20261018◷ 3.1秒 （3回の中央値） |  Seed 20261018◷ 4.1秒 （3回の中央値） |
| DPM++ 3M SDE |  Seed 20261018◷ 2.8秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |  Seed 20261018◷ 5.1秒 （3回の中央値） |
| DPM++ 3M SDE GPU |  Seed 20261018◷ 2.2秒 （3回の中央値） |  Seed 20261018◷ 3.2秒 （3回の中央値） |  Seed 20261018◷ 4.1秒 （3回の中央値） |
| DDPM |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| LCM |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| iPNDM |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 4.0秒 （3回の中央値） |
| iPNDM-V |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| DEIS |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.8秒 （3回の中央値） |
| CFG++ UD10 AB |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| RES Multistep |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| RES Multistep CFG++ |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| RES Multistep a |  Seed 20261018◷ 2.2秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| RES Multistep a CFG++ |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.1秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| Gradient Estimation |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 2.9秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| Gradient Estimation CFG++ |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| ER SDE |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261018◷ 4.0秒 （3回の中央値） |
| SEEDS 2 |  Seed 20261018◷ 3.8秒 （3回の中央値） |  Seed 20261018◷ 5.5秒 （3回の中央値） |  Seed 20261018◷ 7.3秒 （3回の中央値） |
| SEEDS 3 |  Seed 20261018◷ 5.4秒 （3回の中央値） |  Seed 20261018◷ 8.1秒 （3回の中央値） |  Seed 20261018◷ 10.6秒 （3回の中央値） |
| SA Solver |  Seed 20261018◷ 2.2秒 （3回の中央値） |  Seed 20261018◷ 3.1秒 （3回の中央値） |  Seed 20261018◷ 3.9秒 （3回の中央値） |
| SA Solver PECE |  Seed 20261018◷ 3.9秒 （3回の中央値） |  Seed 20261018◷ 5.6秒 （3回の中央値） |  Seed 20261018◷ 7.3秒 （3回の中央値） |
| DDIM | Seed 20261018◷ 2.1秒 （3回の中央値） | 未取得 | 未取得 |
画像を開くと拡大できます。2枚比較では、同じモデル・Seed・条件かをラベルで確認してください。秒数はサンプリング・VAE変換・PNG保存を含む処理全体で、待機とウォームアップ時のモデル読込を除きます。
30と40で差が気にならなければ、30を残してよい
30から40へ増やしても、使いたい形に差が見えなければ、その画像では30を選んでよいと思います。反対に、20では崩れていた輪郭が30で整ったなら、その分の時間を使う理由が見つかります。
比較するときは画像を同じ倍率で開きましょう。小さなサムネイルでは差が見えなくても、普段使う大きさでは気になる場合があります。一方、実際には小さく掲載する画像なら、拡大しないと分からない差へ時間をかける必要があるかも考えられます。
8 Stepsまで減らすなら、別の比較として見る
WAI・Normal・同じSeedの補助比較では、EulerとEuler aは8 Stepsでも顔や髪を読み取れる出力になりました。DPM++ 2Mには、髪や服に色の粒や縁取りが見えます。
WAI Illustrious SDXL v17.0
Scheduler: Normal ／ CFG 5 ／ 1024×1024 ／ Seed 20261018。
画像を開くと拡大できます。2枚比較では、同じモデル・Seed・条件かをラベルで確認してください。秒数はサンプリング・VAE変換・PNG保存を含む処理全体で、待機とウォームアップ時のモデル読込を除きます。
この結果は、一つのモデル・一つのSeedでのものです。短時間の下描きに使えるかは自分の題材でも試す必要があります。通常モデルを少ないStepsにする試みと、少ステップ用に学習されたLCMやTurboを使う方法は分けて考えましょう。
同じ待ち時間なら、HeunのStepsは半分ほどになった
Heunは補正するんでしょ？ 同じ時間で描かせても、きれいになるの？
今回はEulerが30、Heunが15 Stepsで近い時間になったよ。どちらも絵にはなるけれど、Heunを選べば必ずよくなるとは言えなかったんだ。
2026年10月23日、WAI Illustrious SDXL v17.0で、一枚に約3秒を使うつもりで主要6方式のStepsを調整しました。人物と庭園をそれぞれ3 Seedで生成し、各条件を3回ずつ、計108回測っています。Normal、1024×1024、CFG 5、バッチ1を共通にしました。
最初の調整では約3秒でしたが、本測定では各条件の中央値が3.22〜3.74秒へ延びました。完全に同じ秒数ではなく、最大で約0.52秒の差があります。表の範囲は、人物・庭園×3 Seedの6条件それぞれの中央値の最小〜最大です。
表が横に収まらない場合はスクロールし、左の方式名と右の説明を見比べてください。
| サンプラー | 調整後のSteps | 本測定の中央値の範囲 | 画像で見えたこと |
|---|---|---|---|
| Euler | 30 | 3.22〜3.45秒 | 人物と庭園の出発点にしやすい。今回の6条件では、この中で短い待ち時間だった |
| Euler a | 29 | 3.52〜3.74秒 | 人物の向きや橋の構図が動く。違う絵を探したいときの候補 |
| DPM++ 2M | 30 | 3.53〜3.65秒 | Eulerに近い構図も多い。顔や服の差と、少し長い待ち時間を見比べたい |
| DPM++ 2M SDE | 21 | 3.36〜3.65秒 | 人物の服や背景に色の粒、庭園の石や葉に粗い模様が残った |
| Heun | 15 | 3.26〜3.46秒 | 15 Stepsでも人物と庭園を描けた。Eulerの30より常に自然になる結果ではなかった |
| UniPC | 28 | 3.48〜3.73秒 | Eulerに近い構図もあり、橋や衣服の描かれ方が変わった |
今回の設定で普段使いを一つ選ぶなら、まずEuler・Normal・30 Stepsを残すのがおすすめです。Heun・15 Stepsも近い待ち時間で試せますが、補正のある方式へ替えるために回数を減らすと、30 StepsのHeunとは別の仕上がりになります。一回の計算が丁寧でも、同じ時間内で描ける絵が必ずよくなるわけではありません。
DPM++ 2M SDEは、このNormal条件では3 Seedとも人物に色の粒が残りました。庭園でも石や葉の表面に粗い模様が見えます。SDE全般を避ける結論ではなく、今回のモデルと組み合わせなら、まずEulerや2Mから選ぶ方が始めやすい結果でした。スケジューラーやCFGを含めたSDEの最適設定は、ここでは探していません。
人物と庭園を、3 Seedずつ見比べる
ここでは、まず「人物・Seed 20261018」だけを開き、EulerとHeunを比べてみてください。選びたい方が決まったら、20261019と20261020でも、その二つの顔・服を見ます。庭園を使う予定なら庭園の同じSeedへ進み、橋や石の形も確かめましょう。一つのSeedの好みが、ほかの二枚でも続くかを追うためです。
各欄の秒数は同じ設定を3回実行した中央値で、その中央値に最も近かった回の画像を載せています。二枚を選ぶと拡大比較できます。顔だけでなく、服の肩や袖、橋の欄干と石の形を順に見てみましょう。
人物・Seed 20261018の6方式を見る
人物、Seed 20261018、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
人物、Seed 20261018、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
人物、Seed 20261018、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
人物、Seed 20261018、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
人物、Seed 20261018、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
人物、Seed 20261018、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
人物・Seed 20261019の6方式を見る
人物、Seed 20261019、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
人物、Seed 20261019、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
人物、Seed 20261019、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
人物、Seed 20261019、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
人物、Seed 20261019、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
人物、Seed 20261019、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
人物・Seed 20261020の6方式を見る
人物、Seed 20261020、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
人物、Seed 20261020、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
人物、Seed 20261020、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
人物、Seed 20261020、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
人物、Seed 20261020、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
人物、Seed 20261020、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
庭園・Seed 20261018の6方式を見る
庭園、Seed 20261018、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
庭園、Seed 20261018、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
庭園、Seed 20261018、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
庭園、Seed 20261018、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
庭園、Seed 20261018、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
庭園、Seed 20261018、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
庭園・Seed 20261019の6方式を見る
庭園、Seed 20261019、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
庭園、Seed 20261019、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
庭園、Seed 20261019、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
庭園、Seed 20261019、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
庭園、Seed 20261019、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
庭園、Seed 20261019、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
庭園・Seed 20261020の6方式を見る
庭園、Seed 20261020、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
庭園、Seed 20261020、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
庭園、Seed 20261020、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
庭園、Seed 20261020、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
庭園、Seed 20261020、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
庭園、Seed 20261020、WAI Illustrious SDXL v17.0、CFG 5、1024×1024 画像を拡大して見る
同じ約3秒台でも、Euler aは人物の向きや橋の構図を探す候補になり、Heunは少ないStepsで違う細部を探す候補になりました。最終的には、使いたい形が出た方を保存しましょう。今回は一つのSDXL派生モデルなので、別のモデル系列にも同じ回数や傾向が続くとは限りません。
今回の時間調整・環境・メモリの記録
ComfyUIはcommit 63be2f9b82ad0dac88a7ceaa28a9cf3154125a18、RTX 5090 32GB・RAM 64GB、PyTorch 2.14.1+cu130です。以前の20・30・40 Steps比較とは実行版が違うため、上の表は10月23日の測定だけで集計しています。モデルのSHA-256と主要ソースのhashも保存しました。
モデル読み込みのウォームアップ後、方式ごとに最大3回の調整を行い、約3秒へ最も近かったStepsを選びました。その回数を固定し、人物・庭園、Seed、方式の実行順を入れ替えながら3反復しました。時間はサンプリング、VAEでの画像変換、PNG保存を含み、キュー待ちとウォームアップ時の読み込みを除きます。テキスト処理はキャッシュされる場合があります。最初の読み込みを含む一回は22.57秒で、表には混ぜていません。
GPU全体の使用メモリは0.5秒おきの観測で最大13,357MiB、約13.0GiBでした。デスクトップや他アプリの分も含む値で、生成処理だけの厳密なピークではありません。専用サーバーの物理メモリ使用量は同じ標本で最大約2.85GiBです。この5090の値だけから16GB GPUでの完了や速度は決められません。
全条件のSteps・3反復の中央値・画像・環境を保存できます。試行ごとの元ワークフロー、履歴、PNGとWebPのhash、調整中の値はリポジトリのresearch/reader-evidence-67-20261023/へ残しています。画像の好みを数値の総合順位へ置き換えてはいません。
一枚の違いと、何枚でも続く傾向を分けて読む
掲載した顔の形は実画像から、時間は反復測定から、計算の進め方は実装や論文から確認しています。それぞれ答えられる疑問が違うので、次のように読み分けてください。
| 知りたいこと | このページにある材料 | そこから判断できること |
|---|---|---|
| この条件で何秒かかった？ | 同条件の反復測定と中央値 | 今回のPC・モデルでの待ち時間 |
| 顔や背景はどう描かれた？ | 掲載画像と観察記録。主要6方式は2モデル・3 Seedでも確認 | 掲載した条件で見えた形やノイズの違い |
| なぜ計算や時間が違う？ | 対象版の実装と論文 | 追加評価、履歴利用、ノイズ注入などの仕組み |
スケジューラーは、一つのSeedでの実画像を見比べる材料が中心です。複数Seedでの安定性や、人物と背景のどちらに強いかを決める材料はまだ足りません。気になる方式の画像を入口にして、自分の題材で追加比較するのがよい使い方です。
主要6方式・2モデル・3 Seedの画像を見る
WAI Illustrious SDXL v17.0
正面の人物 ／ Normal・30Steps
| Sampler | Seed 20261018 | Seed 20261019 | Seed 20261020 |
|---|---|---|---|
| Euler | Seed 20261018◷ 3.0秒 （6回の中央値） |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
| Euler a | Seed 20261018◷ 3.0秒 （6回の中央値） |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
| DPM++ 2M | Seed 20261018◷ 3.0秒 （6回の中央値） |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
| DPM++ 2M SDE | Seed 20261018◷ 3.8秒 （6回の中央値） |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
| Heun | Seed 20261018◷ 5.4秒 （6回の中央値） |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
| UniPC | Seed 20261018◷ 3.1秒 （6回の中央値） |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
庭園 ／ Normal・30Steps
| Sampler | Seed 20261018 | Seed 20261019 | Seed 20261020 |
|---|---|---|---|
| Euler | Seed 20261018◷ 2.9秒 （3回の中央値） |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
| Euler a | Seed 20261018◷ 3.2秒 （3回の中央値） |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
| DPM++ 2M | Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
| DPM++ 2M SDE | Seed 20261018◷ 3.8秒 （3回の中央値） |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
| Heun | Seed 20261018◷ 5.8秒 （3回の中央値） |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
| UniPC |  Seed 20261018時間未集計 |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
Realism Illustrious v5.0 FP16
正面の人物 ／ Normal・30Steps
| Sampler | Seed 20261018 | Seed 20261019 | Seed 20261020 |
|---|---|---|---|
| Euler | Seed 20261018◷ 2.9秒 （3回の中央値） |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
| Euler a | Seed 20261018◷ 3.1秒 （3回の中央値） |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
| DPM++ 2M | Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
| DPM++ 2M SDE | Seed 20261018◷ 3.8秒 （3回の中央値） |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
| Heun | Seed 20261018◷ 5.5秒 （3回の中央値） |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
| UniPC | Seed 20261018◷ 3.0秒 （3回の中央値） |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
庭園 ／ Normal・30Steps
| Sampler | Seed 20261018 | Seed 20261019 | Seed 20261020 |
|---|---|---|---|
| Euler |  Seed 20261018時間未集計 |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
| Euler a |  Seed 20261018時間未集計 |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
| DPM++ 2M |  Seed 20261018時間未集計 |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
| DPM++ 2M SDE |  Seed 20261018時間未集計 |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
| Heun |  Seed 20261018時間未集計 |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
| UniPC |  Seed 20261018時間未集計 |  Seed 20261019時間未集計 |  Seed 20261020時間未集計 |
3回以上計測した主比較と重なるセルだけ時間を表示します。Seed観察用の1回生成は「時間未集計」です。構図の固定度と、別Seedでの破綻の少なさを区別して見比べてください。
まず画像を見て、使いたい候補を残しましょう。そのあと秒数を比べると、ノイズが多いけれど速い出力を、使いやすい設定と取り違えずに済みます。各画像で見た箇所は、評価項目と観察記録にも残しています。
採点の計算方法と、画像を見たときの基準
速度の星は、同じモデル・Normal・30 Stepsでの最速候補に対して、1.10倍以内が5、1.30倍以内が4、1.65倍以内が3、2.10倍以内が2、それより長い場合が1でした。これは速度だけの評価です。
画像は、顔や主対象、髪・材質、姿勢や構造、衣服や細部、広い残留ノイズの有無の5点を観察しています。主要6方式は2モデル・人物と庭園・複数Seedの記録があり、8 Stepsの評価は1モデル・1 Seedに限ります。Stepsを替えたときに構図が変わることと、異なるSeedでも大きな破綻が少ないことは、別々に見ています。
CFGも替えたいときは、一度サンプラーを固定する
CFGは、プロンプトの指定へどのくらい強く寄せるかを調整する値です。服の色や描きたい物がうまく反映されないときには、サンプラーとは別に見直す余地があります。
ただ、サンプラーとCFGを一緒に替えると、どちらが効いたのか分かりにくくなります。候補のサンプラーとスケジューラーを一組残してから、モデルの配布元の設定を基準にCFGだけを少しずつ替えてみましょう。
ComfyUIの説明でも、大きい値ほど指定へ寄せる一方、上げすぎると画質を損なうと案内されています。今回の比較はCFG 5固定で、CFGを振った実験はしていません。Seedやほかの設定から整理したい場合は、ComfyUIのSeed・Steps・CFG・Samplerの関係でまとめています。
Forge Neoでは、同名方式もそのアプリの画像で選ぶ
ComfyUIで気に入った設定をForge Neoへ移しても、同じ絵になるとは限りません。モデル・プロンプト・Seedをそろえても、初期ノイズや途中の処理が違う場合があります。Forge Neoを使う人は、下のForge Neo内の比較を見て候補を選びましょう。
今回のForge Neoでは、DPM++ 3M SDEで顔や服を読み取れる出力になりました。ComfyUIの同名方式・今回のNormal条件で見られた強い色ノイズとは違います。同じ名前でも、普段使うアプリの画像を確かめる意味がある例です。
Kohaku LoNyu YogやRestartは、顔つきや髪の描かれ方が変わる一方、30 Stepsでは約6秒台でした。Eulerは約2.9秒です。この一つのSeedでは、時間を使った分だけ指定した顔や服が明確になるとは判断できませんでした。別の描かれ方が欲しいときに、画像を見て選ぶ候補です。
スケジューラーにも、処理は完了しても使いにくい出力になる組み合わせがありました。今回のWAI・Euler・30 StepsではLinear Quadraticに顔の崩れや色の断片があり、Forge NeoのBong Tangentは非常に薄い出力になっています。これらは掲載条件の結果として見てください。
Forge Neo：21サンプラーの比較画像
Forge Neo ／ WAI Illustrious SDXL v17.0
Scheduler: Normal ／ CFG 5 ／ 1024×1024 ／ Seed 20261018。
| Sampler | 20 Steps | 30 Steps | 40 Steps |
|---|---|---|---|
| DPM++ 2M |  Seed 20261018◷ 2.0秒 （3回の中央値） |  Seed 20261018◷ 2.9秒 （3回の中央値） |  Seed 20261018◷ 3.7秒 （3回の中央値） |
| DPM++ SDE |  Seed 20261018◷ 4.4秒 （3回の中央値） |  Seed 20261018◷ 6.5秒 （3回の中央値） |  Seed 20261018◷ 8.3秒 （3回の中央値） |
| DPM++ 2M SDE |  Seed 20261018◷ 2.4秒 （3回の中央値） |  Seed 20261018◷ 3.5秒 （3回の中央値） |  Seed 20261018◷ 4.5秒 （3回の中央値） |
| DPM++ 3M SDE |  Seed 20261018◷ 2.4秒 （3回の中央値） |  Seed 20261018◷ 3.4秒 （3回の中央値） |  Seed 20261018◷ 4.5秒 （3回の中央値） |
| DPM++ 2s a RF | 適合モデルなし理由対応するFlow・Flux.2または蒸留モデルが未導入のため、通常SDXLとの比較から除外 | 適合モデルなし理由対応するFlow・Flux.2または蒸留モデルが未導入のため、通常SDXLとの比較から除外 | 適合モデルなし理由対応するFlow・Flux.2または蒸留モデルが未導入のため、通常SDXLとの比較から除外 |
| Euler a |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 2.9秒 （3回の中央値） |  Seed 20261018◷ 3.8秒 （3回の中央値） |
| Euler |  Seed 20261018◷ 2.0秒 （3回の中央値） |  Seed 20261018◷ 2.9秒 （3回の中央値） |  Seed 20261018◷ 3.8秒 （3回の中央値） |
| ER SDE |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 2.9秒 （3回の中央値） |  Seed 20261018◷ 3.8秒 （3回の中央値） |
| LCM |  Seed 20261018◷ 2.0秒 （3回の中央値） |  Seed 20261018◷ 2.8秒 （3回の中央値） |  Seed 20261018◷ 3.7秒 （3回の中央値） |
| LMS |  Seed 20261018◷ 2.0秒 （3回の中央値） |  Seed 20261018◷ 2.9秒 （3回の中央値） |  Seed 20261018◷ 4.1秒 （3回の中央値） |
| Heun |  Seed 20261018◷ 4.1秒 （3回の中央値） |  Seed 20261018◷ 6.0秒 （3回の中央値） |  Seed 20261018◷ 7.9秒 （3回の中央値） |
| DPM2 |  Seed 20261018◷ 4.1秒 （3回の中央値） |  Seed 20261018◷ 6.0秒 （3回の中央値） |  Seed 20261018◷ 8.0秒 （3回の中央値） |
| Res Multistep |  Seed 20261018◷ 2.3秒 （3回の中央値） |  Seed 20261018◷ 3.3秒 （3回の中央値） |  Seed 20261018◷ 4.3秒 （3回の中央値） |
| Kohaku LoNyu Yog |  Seed 20261018◷ 4.5秒 （3回の中央値） |  Seed 20261018◷ 6.4秒 （3回の中央値） |  Seed 20261018◷ 8.3秒 （3回の中央値） |
| Restart |  Seed 20261018◷ 4.1秒 （3回の中央値） |  Seed 20261018◷ 6.0秒 （3回の中央値） |  Seed 20261018◷ 7.9秒 （3回の中央値） |
| UniPC |  Seed 20261018◷ 2.3秒 （3回の中央値） |  Seed 20261018◷ 3.3秒 （3回の中央値） |  Seed 20261018◷ 4.4秒 （3回の中央値） |
| DDIM |  Seed 20261018◷ 2.1秒 （3回の中央値） |  Seed 20261018◷ 3.3秒 （3回の中央値） |  Seed 20261018◷ 4.1秒 （3回の中央値） |
| PLMS |  Seed 20261018◷ 2.3秒 （3回の中央値） |  Seed 20261018◷ 3.4秒 （3回の中央値） |  Seed 20261018◷ 4.3秒 （3回の中央値） |
| DPM++ 2M CFG++ |  Seed 20261018◷ 2.2秒 （3回の中央値） |  Seed 20261018◷ 3.2秒 （3回の中央値） |  Seed 20261018◷ 4.2秒 （3回の中央値） |
| Euler a CFG++ |  Seed 20261018◷ 2.2秒 （3回の中央値） |  Seed 20261018◷ 3.2秒 （3回の中央値） |  Seed 20261018◷ 4.3秒 （3回の中央値） |
| Euler CFG++ |  Seed 20261018◷ 2.2秒 （3回の中央値） |  Seed 20261018◷ 3.2秒 （3回の中央値） |  Seed 20261018◷ 4.2秒 （3回の中央値） |
画像を開くと拡大できます。2枚比較では、同じモデル・Seed・条件かをラベルで確認してください。Forge Neoの秒数は、ウォームアップ後の生成APIの応答まで。画像の符号化とlocalhost通信を含み、ComfyUIとの秒数の直接比較には使いません。
Forge Neo：17スケジューラーの比較画像
Forge Neo ／ WAI Illustrious SDXL v17.0
Sampler: Euler ／ CFG 5 ／ 1024×1024 ／ Seed 20261018。
| Scheduler | 30 Steps |
|---|---|
| Automatic |  Seed 20261018◷ 3.2秒 （3回の中央値） |
| Karras |  Seed 20261018◷ 3.2秒 （3回の中央値） |
| Exponential |  Seed 20261018◷ 3.3秒 （3回の中央値） |
| Polyexponential |  Seed 20261018◷ 3.2秒 （3回の中央値） |
| Normal | Seed 20261018◷ 3.3秒 （3回の中央値） |
| Simple |  Seed 20261018◷ 3.2秒 （3回の中央値） |
| Uniform | Seed 20261018◷ 3.2秒 （3回の中央値） |
| SGM Uniform |  Seed 20261018◷ 3.2秒 （3回の中央値） |
| Linear Quadratic |  Seed 20261018◷ 3.2秒 （3回の中央値） |
| KL Optimal |  Seed 20261018◷ 3.2秒 （3回の中央値） |
| DDIM |  Seed 20261018◷ 3.3秒 （3回の中央値） |
| Align Your Steps |  Seed 20261018◷ 3.2秒 （3回の中央値） |
| Beta |  Seed 20261018◷ 3.2秒 （3回の中央値） |
| Turbo | 適合モデルなし理由対応するFlow・Flux.2または蒸留モデルが未導入のため、通常SDXLとの比較から除外 |
| Bong Tangent |  Seed 20261018◷ 3.1秒 （3回の中央値） |
| FlowMatchEulerDiscrete | 適合モデルなし理由対応するFlow・Flux.2または蒸留モデルが未導入のため、通常SDXLとの比較から除外 |
| Flux2 | 適合モデルなし理由対応するFlow・Flux.2または蒸留モデルが未導入のため、通常SDXLとの比較から除外 |
画像を開くと拡大できます。2枚比較では、同じモデル・Seed・条件かをラベルで確認してください。Forge Neoの秒数は、ウォームアップ後の生成APIの応答まで。画像の符号化とlocalhost通信を含み、ComfyUIとの秒数の直接比較には使いません。
Forge Neoの時間は、ウォームアップ後の生成API応答までです。テキスト処理・VAE変換・画像の符号化・localhost通信を含みます。ComfyUIとは測定範囲が異なるため、秒数をそのまま並べてアプリの優劣を決めないようにします。
LCM・Turbo・Fluxを使う人へ
LCMやTurboは、少ないStepsで生成するための学習や設定と組み合わせて使います。通常のIllustriousモデルにLCMを選んでも、そのモデル自体が少ステップ用に変わるわけではありません。まず対応モデルやLoRA、公式の推奨ワークフローをそろえましょう。
FluxなどのFlow系では、モデルが予測するものや、時間・ノイズ量・CFGの扱いも変わります。SDXLでよかった組み合わせをそのまま移すより、そのモデル向けの設定を出発点にする方が迷いません。RF派生やFlux.2向けスケジューラーも、通常SDXLの高速版として選ぶものではありません。
一覧には、通常モデルに適合しない方式を選んだ診断用の画像も含めています。画面で選べるだけでは、モデルに合う組み合わせとは言えないためです。その出力を見て、LCMやTurboそのものの性能が悪いと判断しないようにしてください。
名前から調べるサンプラー図鑑
気になる名前が見つかったら、ここから仕組みと対応する内部IDを調べられます。普段の一組を決めるだけなら、ここで全部覚える必要はありません。似た名前を選んだ理由を知りたくなったときに使ってください。
Euler・Heun以外の方式は、何を工夫している？
多くの方式は、モデルを呼ぶ回数、過去の予測の使い方、途中の補正、ノイズの加え方を工夫しています。LMS、iPNDM、DEIS、UniPC、RES、SA Solverなどには、前の予測を使う仕組みがあります。ただし、組み合わせる係数や時間の表し方、補正の順序は同じではありません。
過去の予測を使う方式でも、最初のStepにはその履歴がありません。そこで簡単な計算から始めるものもあります。「高次なら少ないStepsでも有利」と名前だけで判断せず、実際に使う回数の画像を見る理由がここにもあります。
DPM adaptiveは、途中の誤差を見て刻み幅を調整します。対象ComfyUIでは、用意したsigma列の途中の点ではなく、始点と終点を渡します。そのため画面で20・30・40を選んでも、ほかの方式と同じ意味で処理回数が増えるとは限りません。
DPM++は、ノイズを除いた状態を予測するDPM-Solver++系の方式です。この予測対象を記号でx0と書きます。2S aとSDEには区間内でもモデルを評価する構成があり、2Mや2M SDEは履歴を利用します。2M SDE Heunは2M SDE内の補正方法の派生で、通常のHeunを丸ごと使う設定とは違います。
DDPMは、確率的な逆過程を使う基本的な方式です。歴史的に重要な名前ですが、それだけで現在のモデルの20 Stepsに向くかは決まりません。新旧の順ではなく、モデルとの組み合わせで見ていきます。
ComfyUIの45方式を名前から引く
対象版の標準KSamplerで選べる45項目をまとめています。画面で見た名前から、計算方法や派生元との違いを調べてください。内部IDはワークフローに保存される名前なので、JSONと照らすときにも使えます。
確率的な方式の説明に出てくるetaは、多くのancestral・SDE更新で追加ノイズの量を調整する係数です。標準の更新と、0にしてノイズ注入を止めた設定は区別して読みます。
45方式を表示
Euler
現在点の予測から一度で次のノイズ量へ進む一次法。基準を作りやすく、1区間あたり通常1回のモデル評価。
euler ／ Forge Neo: Euler
Euler CFG++
Eulerの更新に無条件予測を使うCFG++を組み込む。通常CFGの数値をそのまま最適値と見なさず、低CFGでも比較する。
euler_cfg_pp ／ Forge Neo: Euler CFG++
Euler a
Eulerにancestralのノイズ注入を加える。Seedを固定してもステップ配分を変えると注入の経路が変わる。
euler_ancestral ／ Forge Neo: Euler a
Euler a CFG++
ancestral更新とCFG++を組み合わせる。通常のEuler aとの違いは誘導の扱いで、別の画風モデルではない。
euler_ancestral_cfg_pp ／ Forge Neo: Euler a CFG++
Heun
Eulerで仮に進んだ先でも傾きを調べ、二つの傾きで補正する二次法。最終区間以外は通常2回評価。
heun ／ Forge Neo: Heun
Heun++ 2
先の二点まで予測して重み付き補正を行うHeun派生。通常のHeunより評価回数が増え、同じStepsでも重い。
heunpp2
Exponential Heun 2 x0
データ予測x0と、ノイズ量を対数へ変換した時間座標を使う二次の指数Heun法。SEEDS-2の決定論的な条件を使う実装で、通常Heunとは計算座標が違う。
exp_heun_2_x0
Exponential Heun 2 x0 SDE
指数Heunの確率版。実装ではSEEDS-2をr=1で呼び、追加ノイズを含む。
exp_heun_2_x0_sde
DPM2
ノイズ量の幾何平均にある中間点を評価する二次法。二つのモデル評価を使い、DPM++ 2Mとは履歴の使い方が違う。
dpm_2 ／ Forge Neo: DPM2
DPM2 a
DPM2の中間点計算にancestralノイズを加える。通常版と比較するときは計算時間と構図変化の両方を見る。
dpm_2_ancestral
LMS
Linear Multistep。過去の傾きを最大4つ保持し、区間ごとの係数で合成する。起動直後は履歴が少なく低い次数から始まる。
lms ／ Forge Neo: LMS
DPM fast
DPM-Solverの1〜3次の更新へ計算予算を振り分ける。渡されたsigma列の内点をそのまま順に使う方式ではない。
dpm_fast
DPM adaptive
予測誤差と許容値から刻み幅を自動調整するDPM-Solver。表示Stepsが計算回数を直接決めず、20・30・40は同じ結果になることもある。
dpm_adaptive
DPM++ 2S a
DPM++の二次single-step法にancestralノイズを加える。各区間の中間評価を使うため、履歴を使う2Mと同じ速さとは限らない。
dpmpp_2s_ancestral
DPM++ 2S a CFG++
2S ancestralの誘導をCFG++へ変更した派生。2M CFG++とは区間内評価と履歴利用の違いがある。
dpmpp_2s_ancestral_cfg_pp
DPM++ SDE
データ予測で確率微分方程式を解き、区間内の追加評価とBrownianノイズを使う。2M SDEと同一ではない。
dpmpp_sde ／ Forge Neo: DPM++ SDE
DPM++ SDE GPU
DPM++ SDEと同じ更新式でBrownianノイズ生成をGPU側へ移す。CPU版と同じSeedでも同じ画像は保証されない。
dpmpp_sde_gpu
DPM++ 2M
データ予測を使う二次multistep法。直前の予測を再利用するため、通常は各区間1回の評価で進む。
dpmpp_2m ／ Forge Neo: DPM++ 2M
DPM++ 2M CFG++
2Mの履歴更新にCFG++を導入。通常の2MにKarrasを付ける設定とは役割が違う。
dpmpp_2m_cfg_pp ／ Forge Neo: DPM++ 2M CFG++
DPM++ 2M SDE
2Mの履歴利用にSDEの確率項を加える。標準の補正式はmidpointで、Heun派生と区別する。
dpmpp_2m_sde ／ Forge Neo: DPM++ 2M SDE
DPM++ 2M SDE GPU
2M SDEのBrownianノイズ生成先をGPUへ移す派生。画像と時間の両方を独立して計測する。
dpmpp_2m_sde_gpu
DPM++ 2M SDE Heun
2M SDE内の履歴補正をmidpointからHeun型へ替える。通常のHeunを丸ごと追加して2倍評価するという意味ではない。
dpmpp_2m_sde_heun
DPM++ 2M SDE Heun GPU
Heun型の2M SDE補正とGPUでのBrownianノイズ生成を組み合わせる。末尾のGPUは品質等級ではない。
dpmpp_2m_sde_heun_gpu
DPM++ 3M SDE
三次multistepの確率法。過去二つの予測も使うが、各区間で必ず3回評価するわけではない。
dpmpp_3m_sde ／ Forge Neo: DPM++ 3M SDE
DPM++ 3M SDE GPU
3M SDEのノイズ生成をGPUへ移す。履歴がそろう前は低い次数で進む点はCPU版と共通。
dpmpp_3m_sde_gpu
DDPM
Denoising Diffusion Probabilistic Models由来の逆過程更新。各区間で確率的にノイズを加える。元の学習過程の説明と少ステップ品質は分ける。
ddpm
LCM
Latent Consistency Model向けの更新。予測画像へ次のノイズ量を加える。一般モデルの比較出力は診断用で、LCM蒸留モデルの低ステップ性能を表さない。
lcm ／ Forge Neo: LCM
iPNDM
improved Pseudo Numerical Methods。過去のノイズ予測をAdams–Bashforth型に合成する。最大次数4で、履歴を貯めてから高次になる。
ipndm
iPNDM-V
iPNDMに対し可変の刻み幅を係数へ反映する派生。Vをモデルのv-prediction指定と読み替えない。
ipndm_v
DEIS
Diffusion Exponential Integrator Sampler。ノイズ予測の履歴と積分係数を使う指数積分法で、設定するsigma列も結果に影響する。
deis
CFG++ UD10 AB
CFG++の履歴派生。対象コードは履歴重み0.25、現在の無条件項1.0、無条件履歴0.1を使う。UD10の語源を推測せず、実装定数で区別する。
cfgpp_ud10_ab
RES Multistep
Refined Exponential Solverの多段実装。過去のデータ予測と指数積分の係数を使い、通常版はeta=0。
res_multistep ／ Forge Neo: Res Multistep
RES Multistep CFG++
RESの多段更新へCFG++を組み込む。履歴利用は共通で、誘導の計算が異なる。
res_multistep_cfg_pp
RES Multistep a
RES多段法にeta=1のancestralノイズを加える。通常版のeta=0と比較し、ステップ増加による構図の差も見る。
res_multistep_ancestral
RES Multistep a CFG++
RESのancestral更新とCFG++の併用。低CFGを含む個別調整が必要で、通常版と同じ最適設定とは限らない。
res_multistep_ancestral_cfg_pp
Gradient Estimation
現在と直前のデータ予測から勾配を推定し、ge_gamma=2で補正する。実装では各区間1回のモデル評価で履歴を再利用する。
gradient_estimation
Gradient Estimation CFG++
勾配推定法のCFG++版。通常版と同じge_gammaでも無条件予測の扱いが違い、CFGの相性を別に確認する。
gradient_estimation_cfg_pp
ER SDE
Extended Reverse-Time SDEの解法。最大3段の履歴補正とノイズ量の変換を使う。2M SDEの単なる別名ではない。
er_sde ／ Forge Neo: ER SDE
SEEDS 2
Stochastic Explicit Exponential Derivative-free Solversの2段法。中間点を評価して確率項を加える。数字はSeedの個数ではない。
seeds_2
SEEDS 3
SEEDSの3段法。区間内の二つの中間点を利用し、2段法より評価が増える。高次数が必ず高画質を意味するわけではない。
seeds_3
SA Solver
Stochastic Adams Solver。確率過程の予測・補正に過去の評価を使う。対象版はpredictor_order=3、corrector_order=4。
sa_solver
SA Solver PECE
Predict–Evaluate–Correct–Evaluateの順で追加評価するSA Solver派生。通常版より計算を使って補正した状態を再評価する。
sa_solver_pece
DDIM
Denoising Diffusion Implicit Modelsという名称だが、このComfyUIの選択肢はEulerへ渡す互換経路。Forgeの独立DDIM実装と同一視しない。
ddim ／ Forge Neo: DDIM
UniPC
Unified Predictor-Corrector。予測と補正を組み合わせる多段法。対象版の基本変種はbh1で、始点付近と終端では次数が変わる。
uni_pc ／ Forge Neo: UniPC
UniPC bh2
UniPCの補正関数B(h)をbh2へ変更する派生。同じStepsでも係数が違うため、通常UniPCと出力を照合する。
uni_pc_bh2
Forge Neoにだけある名前は？
今回のForge Neoには21項目があります。ComfyUIと名前が対応する方式もありますが、既定のスケジューラーやノイズの作り方まで同じとは限りません。ComfyUIへ設定を移すときは、名前を合わせるだけでなく画像でも確かめましょう。
次の5項目は、仕組みや対応モデルを見てから試すと選びやすくなります。
| Forge Neoの表示名 | 仕組みと使う際の注意 |
|---|---|
| DPM++ 2s a RF | Rectified Flowに対応したancestral更新。通常のSDXL向け2S aと区別する。設定によりFlux Realisticという表示名にもなる。適合するFlowモデルで別枠にする |
| Kohaku LoNyu Yog | 前半は現在の潜在値を反転した状態も評価し、さらに補正した状態を再評価する派生。ancestralノイズも加える。後半は一度の評価で進むため、通常のHeunと計算回数が違う |
| Restart | 一度下げたノイズを途中で増やし、再びノイズ除去する。対象版は20Steps以上で再開区間を自動設定し、36以上で回数も変わる。Stepsと評価回数の関係が単純ではない |
| DDIM | 学習時の累積alphaを使って前の状態へ進む独立実装。etaの既定値は0。ComfyUIの同名選択肢を移植先として無条件に対応づけない |
| PLMS | Pseudo Linear Multistep。DDIM型の更新へ過去のノイズ予測を組み合わせる。最初は改良Euler、履歴が増えるとAdams–Bashforth型の式を使う |
この一覧は、Forge Neoのcommit f7f231496b2dd46703f8da87e2e83b45a54ba73bで確認したものです。別の版や拡張機能では項目が変わることがあります。以前の一覧にあった名前が見当たらなくても、それだけで方式が廃止されたとは判断できません。
スケジューラーを、仕組みからもう少し詳しく
NormalとKarrasで絵が変わる理由を、今度はノイズ量の並びから見てみましょう。ここで並べる数字は、モデルへ渡すノイズ量の計算値です。数値が大きい・小さいことで、画質を採点しているわけではありません。
Karrasは、小さいノイズ量にも計算点を置く
Karrasは、拡散モデルの設計を整理したKarrasらの研究に由来する名前です。対象実装の既定値では、sigmaの7分の1乗を等間隔に並べ、7乗して戻します。
式で表すと次のようになります。ρが配分を調整する値で、対象版の既定は7。N個の非ゼロの計算点を作り、最後にゼロを追加します。
σ(i) = {σmax^(1/ρ) + i/(N−1) × [σmin^(1/ρ) − σmax^(1/ρ)]}^ρ
小さいノイズ量の領域でも計算点を確保する配分ですが、Normalより常にsigmaが小さいわけではありません。SDXL標準のEPS設定で20 Stepsの列を作ると、途中の値は次のようになります。
| 計算点番号 | Normal | Karras（ρ=7） | Exponential | SGM Uniform |
|---|---|---|---|---|
| 0 | 14.6146 | 14.6146 | 14.6146 | 14.6146 |
| 5 | 3.8654 | 4.4998 | 2.8464 | 4.0861 |
| 10 | 1.4806 | 1.0908 | 0.5544 | 1.6156 |
| 15 | 0.5964 | 0.1842 | 0.1080 | 0.6951 |
| 19 | 0.0292 | 0.0292 | 0.0292 | 0.2255 |
| 20 | 0 | 0 | 0 | 0 |
10番目のKarrasは約1.09、Normalは約1.48です。一方、5番目はKarrasの方が大きい値になっています。このように、同じStepsでも途中でモデルへ渡すノイズ量は変わります。その結果を画像で確かめたのが、スケジューラーの三枚比較です。
Normal・Simple・SGM Uniformも、同じ配分ではない
Normalは、モデルが持つ時間の座標で等間隔の点を取り、sigmaへ戻します。時間とsigmaの関係はモデルによって決まるので、ノイズ量そのものを等間隔に減らす設定とは違います。
SGM Uniformは同じ変換を使いつつ、時間の点を一つ多く作って最後を除き、ゼロへ接続します。Simpleはモデルのsigma配列から、添字の間隔に従って点を選びます。表でSGM Uniformの最後の非ゼロ値が違うのも、こうした作り方の差です。
Normal、Simple、SGM Uniformは、似た名前でも途中の点の取り方と最後の間隔が異なります。計算式を暗記しなくても、この違いを知っておくと、同じStepsなのに別の絵が出る理由を考えやすくなります。
ComfyUIの9方式と、別ノードから使う方式
標準KSamplerのスケジューラー欄には、対象版で9方式があります。AYS・Polyexponential・Laplace・VP・GITSは、それとは別の標準ノードから使う方式です。追加のカスタムノードを指しているわけではありません。
14方式を表示
Normal
モデルの時間座標を等間隔に取り、その時間からsigmaへ戻す。sigmaの差そのものは等間隔にならず、対応はモデル依存。
normal
Simple
モデルが保持するsigma配列を逆順に一定の添字間隔で拾う。端点や丸めがNormalと異なる。
simple
SGM Uniform
時間座標をsteps+1個に分け、最後の時刻を除いてからゼロを付ける。末尾のUniformはsigma自体の等間隔を意味しない。
sgm_uniform
Karras
sigmaの1/rho乗を等間隔にしてrho乗で戻す。対象版のrhoは7。sigmaそのものの線形配置でも、必ず高画質になる保証でもない。
karras
Exponential
log(sigma)を等間隔にする。隣り合うsigmaの比率が一定になり、減る量が一定になるわけではない。
exponential
DDIM Uniform
学習側のsigma配列を整数の添字間隔で取り出す。丸めで実際の区間数が指定Stepsとずれることがある。
ddim_uniform
Beta
Beta分布の逆累積分布で時間の添字を選ぶ。ComfyUI標準はalpha=beta=0.6。丸めによる重複は除く。
beta
Linear Quadratic
線形区間と二次曲線の区間をつなぐ。対象版はthreshold_noise=0.025、線形側は全区間の半分。汎用SDXLでの見た目は実画像で判断する。
linear_quadratic
KL Optimal
KLは分布のずれを測るKullback–Leiblerダイバージェンスに由来する名称。atan(sigma)を等間隔にしてtanで戻す。元の理論の前提を離れた全モデルでの最適性は保証しない。ComfyUIとForgeは端点の取り方も異なる。
kl_optimal
Align Your Steps（SDXL）
モデル系列別に選んだ既定の計算点を使う。ComfyUI標準の別ノードで、指定Stepsへ対数補間する。Forgeの実装は配列と補間数が異なる。
ays_sdxl
Polyexponential
log(sigma)側の間隔へrho乗をかける。rho=1ならExponentialと同じ式になる。標準の別ノード。
polyexponential
Laplace
Laplace分布の形でlog(sigma)を配置する。muは中心、betaは広がり。端点範囲へ制限するため重複点にも注意する。標準の別ノード。
laplace
VP
Variance Preservingの連続過程に基づきbeta_d・beta_min・eps_sからsigma列を作る。端点が通常SDXLの既定範囲と異なる別条件。
vp
GITS
既定の計算点テーブルを係数とStepsで選び、長い列へは補間する標準ノード。coeff=1.2を使用。モデル横断の最適保証ではない。
gits
AYSは、モデル系列に合わせて選んだ計算点を使う方式です。対象ComfyUIではSDXLの既定点を指定Stepsへ対数補間します。Forge NeoではSDXLかどうかで配列を選び、補間の点数や最後のゼロの付け方にも違いがあります。
Laplaceは対象実装で末尾にゼロを追加せず、点数もほかの方式と異なります。VPは既定のsigma最大値が通常SDXLの範囲とは違います。そのまま同じ30 Stepsと表示されていても、Normalと同じ条件とは扱えません。まず普段の比較を終えてから、sigmaの列やノード設定まで調べたい人向けの選択肢です。
別ノードのsigmaをワークフローにつなぐには
普段のKSamplerでは二つの設定を同じ箱で選びます。別ノードで作ったsigma列を渡したい場合は、サンプラー、ノイズ、プロンプトによる誘導も分けて、SamplerCustomAdvancedへつなぎます。接続は次のとおりです。
KSamplerSelectでサンプラーを選び、SAMPLER出力をSamplerCustomAdvancedのsamplerへつなぎます。- スケジューラーノードの
SIGMAS出力を、SamplerCustomAdvancedのsigmasへつなぎます。 RandomNoiseのNOISE出力をnoiseへつなぎ、Seedを設定します。CFGGuiderにモデル・positive・negative・CFGを渡し、GUIDER出力をguiderへつなぎます。- 生成するサイズの潜在画像を
latent_imageへ渡します。通常の終端sigmaがゼロになる構成なら、outputをVAE Decodeのsamplesへつなぎ、モデルに対応するVAEをvaeへ渡して画像保存へ進めます。
SamplerCustomAdvancedにはoutputとdenoised_outputの二つの出力があります。終端sigmaがゼロでない構成では両者が異なる場合があるため、Laplaceなどを試すときは使用した出力も記録します。
この接続説明は標準ノードの構成を示すものです。掲載している再現用JSONはAPIへ送る形式で、画面配置付きのワークフローとは異なります。初めて試す場合は通常のKSamplerで比較してから、この構成へ進むと違いを追いやすくなります。
専用モデルのスケジューラーは、そのモデルと使う
| 標準ノード | 何を前提にするか | 今回の通常SDXLとの関係 |
|---|---|---|
| SDTurboScheduler | SD-Turbo向けの最大10点の時刻列と少ステップ生成 | 適合する蒸留モデル未導入のため、適合実験は未実施 |
| Ideogram4Scheduler | Ideogram 4向けの時刻配分 | 対応モデル未導入。通常SDXLへの置換候補にしない |
| Flux2Scheduler | Flux.2の画像系列長とStepsに応じた時間シフト | SDXLの離散sigmaとは前提が異なる |
| LTXVScheduler | LTX-Videoの動画生成とトークン数に応じたシフト | 動画モデル用で、この静止画比較の対象外 |
| OptimalStepsScheduler | FLUX・Wan・Chroma別の既定点を補間 | 対象モデルの設定を選ぶ必要があり、SDXL用の選択肢はない |
KarrasScheduler・ExponentialScheduler・BetaSamplingSchedulerは、KSampler内の同系統の列をパラメーター付きで作る標準ノードです。BasicSchedulerは9方式を呼び出す入口。入口が複数あっても、それだけで別の新しいアルゴリズムが増えたわけではありません。
Forge Neoの17項目を引く
Automaticのように既定値へ任せる項目と、sigmaの配置方法、専用モデル向けの項目が同じ欄に並んでいます。まず「何の種類の選択肢か」を分けて読むと迷いにくくなります。
| 表示名 | 対応と違い |
|---|---|
| Automatic | サンプラーの既定指定へ任せる選択。独立したsigma配置の計算式ではない。例えば対象版のDPM++ 2MはKarras、2M SDEはExponentialが既定 |
| Karras | 既定rho=7の配置。同名でもsigma端点と追加設定を合わせる必要がある |
| Exponential | log(sigma)を等間隔にする |
| Polyexponential | log(sigma)側の配分をrhoで調整。既定rho=1 |
| Normal | モデルの時間座標で等間隔にする |
| Simple | モデルのsigma配列を添字間隔で選ぶ |
| Uniform | 内部モデルのget_sigmas(n)を呼ぶ。ComfyUIのSimpleやNormalとの無条件な同義語ではない |
| SGM Uniform | steps+1点を作って最後を除き、ゼロを付ける。別名SGMUniform |
| Linear Quadratic | 線形と二次曲線をつなぐ。しきい値の既定は0.025 |
| KL Optimal | atan(sigma)の補間。対象Forgeはn+1点を直接作るため、末尾をゼロにするComfyUIと区別 |
| DDIM | スケジューラー欄のDDIM。学習側の配列から点を取る。DDIMサンプラーの選択とは別 |
| Align Your Steps | SDXL判定に応じて配列を選び、必要なら対数補間する |
| Beta | Beta分布の逆累積分布で添字を選ぶ。alpha・betaはUI設定値に依存 |
| Turbo | 学習時刻から少ステップ向けの列を選ぶ。通常モデルを蒸留モデルへ変える機能ではない |
| Bong Tangent | arctan型の曲線を二つつないで配分を調整。傾き・接続位置で点の密度が変わる |
| FlowMatchEulerDiscrete | DiffusersのFlowMatchEulerDiscreteSchedulerから列を得る。shiftなどのモデル・UI設定を使うFlow向けの経路 |
| Flux2 | 画像の幅・高さとStepsから時間シフトを求めるFlux.2向け。今回のSDXL比較には適合しない |
この17項目は拡張機能を無効にした対象版で確認しています。普段の画面で項目が増減している場合は、版・拡張機能・表示設定を照合すると違いを探せます。
名前や結果で迷ったときに確かめること
DPM++ 2M Karrasは、一つのサンプラー？
サンプラーのDPM++ 2Mと、スケジューラーのKarrasを組み合わせた名前です。選択欄が分かれている画面では、それぞれの欄で選びます。Forge NeoではAutomaticがこの組み合わせを選ぶ場合もあります。
Karrasに替えたら、必ずきれいになる？
まず、今の画像と並べてみましょう。Karrasは計算するノイズ量の配分を変えるので、好みの細部が出ることも、残したい構図が変わることもあります。高画質化のスイッチとして使うより、別の描かれ方を試す設定と考えると選びやすくなります。
Euler aは、同じSeedでも毎回変わる？
同じ実装・Seed・乱数の生成方法などがそろえば、同じ結果を再現できる条件があります。Stepsを替えたときは途中で加えるノイズの流れも変わるため、設定を固定した再実行とは分けて考えます。
Stepsを増やせば、今の画像へ細部だけ足せる？
Stepsを替えると計算点の並びを作り直すため、構図や物の位置が動くこともあります。気に入った画像は保存してから試しましょう。同じ画像の一部を直したい場合は、サンプラーの変更だけでなくimg2imgやインペイントの使い方も検討できます。
ComfyUIとForge Neoで、同じSeedなのに絵が違う
Seedは乱数を決める条件の一つです。アプリによって初期ノイズ、CPU・GPUの乱数生成、モデル精度、プロンプト処理、sigmaの端点などが違うため、同じ番号でも出発点や途中の処理がそろうとは限りません。まず同じアプリ内で設定を比べるのが分かりやすい方法です。
同じ30 Stepsなのに、時間が違うのはなぜ？
一つの区間でモデルを何回呼ぶかが違うためです。Heunの追加の予測、過去の予測を使う多段法、刻み幅を調整するDPM adaptiveでは、Stepsの数字と実際の仕事量の関係が変わります。画像変換や保存にも時間がかかるので、秒数は測った範囲と合わせて見ます。
選びたい名前が画面に見つからない
まず、アプリの版と表示名を確認しましょう。Euler aとeuler_ancestralのように対応する名前もあります。一方、DDIMのように同名でも処理が違うものがあります。似た名前を選んだだけで同じ設定とせず、図鑑の内部IDと対応する実装を確認します。
測定環境と、同じ条件で試すための設定
同じ条件へ戻って確認したい人向けに、測定環境と保存データをまとめます。ページの比較表は、保存した実験JSONから組み立てています。
使用GPUはNVIDIA GeForce RTX 5090（VRAM 32GB）、RAMはOSから約63,062MBと認識される64GB構成、OSはWindowsです。ComfyUIはcommit 98cc0bf84b7cb1383654c5b402e7612d875d6d22、PyTorchは2.14.1+cu130、ドライバーは617.42です。カスタムノード・API連携ノードを無効にし、PyTorch attentionを使用しました。比較用APIはlocalhost限定です。
| 固定する項目 | 条件 |
|---|---|
| 解像度・バッチ | 1024×1024、batch size 1 |
| CFG・denoise | 5.0・1.0 |
| Seed | 主比較は20261018。安定性観察は20261018・20261019・20261020 |
| VAE | 各Checkpointに内蔵されたVAE。モデル間では内蔵VAEも変わる |
| サンプラー比較 | SchedulerはNormal固定、20・30・40Steps |
| スケジューラー比較 | SamplerはEuler固定、基本30Steps |
| 追加処理 | Hires.fix、Refiner、LoRA、ControlNet、アップスケールはすべて無効 |
人物のプロンプトは次のとおりです。ネガティブプロンプトを含む正確な文字列、補助の風景用プロンプト、モデルのSHA-256、全画像の条件は下の実験データから確認できます。
best quality, very aesthetic, anime illustration, 1woman, adult woman, solo, front view, looking at viewer, shoulders facing viewer, standing upright, upper body, arms relaxed down at sides, simple ponytail, brown hair, brown eyes, gentle smile, plain dark blue long-sleeved sweater, plain light gray background, soft even studio lighting生成時間は、モデルのウォームアップ後、サーバーが記録する実行開始から成功までを測ります。サンプリング、VAEでの画像変換、PNG保存を含み、キューでの待機とウォームアップ時のモデル読み込みを除きます。テキストの条件付けなど、変わらない上流ノードはキャッシュされる場合があります。サンプリングのキャッシュは避け、キャッシュされた試行は秒数へ採用しません。
各主比較条件は同じSeedで3回測り、主要6方式のNormal・30Stepsは追加の反復を合わせた6回の中央値を表示します。中央値は、単発の処理待ちなどに平均値ほど引っ張られにくいためです。外れ値を削除した値ではなく、試行ごとの時間も保存します。サンプリングだけをGPU同期して測った秒数ではありません。安定性観察用の1回生成画像には、3回の中央値と同じ形式の秒数を付けません。
モデルを替えるときはウォームアップをやり直します。保存画像からWebPへの圧縮は計測後に行い、表示秒数へ含めません。高速なGPUでも、別のGPU処理やWindows側の負荷によって時間は動くため、小さな差を恒久的な優劣とは判断しません。
全条件・試行別の時間と画像の対応、Forge Neoの全条件、評価項目と観察記録、方式名・別名の一覧、グラフの全計算点、ComfyUI API用の再現ワークフローを保存できます。再現ワークフローは対象Checkpointが導入された同じ版のComfyUI向けです。ノードの画面配置を持つ通常のワークフローJSONとは形式が異なり、APIの/promptへ送信する形式です。元の試行とサーバー履歴は、リポジトリのresearch/sampler-scheduler/へ保存します。
対象UIの版と計算点の補足
一覧の対象は、2026年10月18日に確認したComfyUI 0.41.0の標準KSamplerにある45サンプラー・9スケジューラーと、同梱のスケジューラーノード、Forge Neoの21サンプラー・17スケジューラーです。タイトルの「全種類」も、この対象版の標準選択肢を指します。追加のカスタムノードや別の版では、項目が増減することがあります。
対象ComfyUIでは、DPM2・DPM2 a・UniPC・UniPC bh2はsigmaを一つ多く作って終端直前の点を取り除きます。同じScheduler名でも、こうしたサンプラー側の調整まで含む比較です。
選んだ一組を保存して、次の作品へ進もう
まずはEulerとDPM++ 2M、別の描かれ方も探したいならEulerとEuler aを比べてみてください。サンプラーを選んだあとにSteps、次にスケジューラーを替えると、何を変えた結果なのかが分かります。
顔の形が好みだった、橋がつながった、30 Stepsでも十分だった。そんな理由を一つ添えて、画像と設定を保存しましょう。使いたい絵が待てる時間で作れる一組を残せたら、次はその設定で作品を増やせます。新しい名前が気になったときも、戻れる設定があるので落ち着いて試せます。
サムネイルは比較のイメージを表すAI制作イラストです。ComfyUIの識別表示には公式リポジトリの配布アイコンを参照しています。素材とライセンスの記録も公開しています。
CFGだけを変えた絵も見たい方は、CFG Scaleの実画像45枚比較へ。WAI Illustrious SDXL v17.0の人物アップ・全身・背景を含む場面を、同じSeedで並べて選べます。
まとめ
- サンプラーは次の状態の計算方法、スケジューラーは計算するノイズ量の並び。別々の役割として選ぶ
- 同じStepsでもモデル評価の回数は違い、速さはサンプリングから画像保存までの実測中央値で比較する
- 対象版の標準選択肢を網羅し、別名・標準別ノード・特定モデル用の方式を区別する
- 比較モデルはIllustrious系のSDXL派生であり、Fluxや蒸留モデルへ結果をそのまま当てはめない
参照した情報源（18件）
- Local Gen RTX 5090 同時間目標サンプラー実測（108回） ↗Local Gen
- ComfyUI: standard samplers and scheduler dispatch ↗Comfy-Org
- ComfyUI — current KSampler parameters and defaults ↗ComfyUI
- ComfyUI: k-diffusion sampling implementations ↗Comfy-Org
- ComfyUI: standard custom sampling and scheduler nodes ↗Comfy-Org
- ComfyUI: Align Your Steps standard node ↗Comfy-Org
- Forge Neo: k-diffusion sampler definitions ↗Haoming02
- Forge Neo: scheduler definitions and implementation ↗Haoming02
- Forge Neo: Restart and UniPC implementations ↗Haoming02
- Forge Neo: DDIM and PLMS implementations ↗Haoming02
- Elucidating the Design Space of Diffusion-Based Generative Models ↗Karras et al.
- DPM-Solver++: Fast Solver for Guided Sampling of Diffusion Probabilistic Models ↗Lu et al.
- Beta Sampling is All You Need ↗Lee et al.
- Align Your Steps: Quickstart guide ↗NVIDIA
- ComfyUI: GITS standard scheduler ↗Comfy-Org
- ComfyUI: model-specific standard scheduler nodes ↗Comfy-Org
- Add KL Optimal scheduler: derivation and implementation discussion ↗AUTOMATIC1111 contributors
- ComfyUI frontend official website icon and repository license ↗Comfy-Org