Stable Diffusionの設定項目一覧｜CFG Scale・ステップ数・サンプラー・シード・Hires.fixの意味

Stable Diffusion系の画像生成画面には、多くの設定項目が並ぶ。

Checkpoint、VAE、LoRA、シード、サンプラー、Scheduler、ステップ数、CFG Scale、幅、高さ、Batch、Hires.fix、ノイズ除去強度。

最初は全部が「画質を調整する値」に見えやすい。

しかし実際には、生成の土台を変えるもの、ノイズ除去の進め方を変えるもの、プロンプトの効かせ方を変えるもの、画像サイズを変えるもの、生成後に描き直すものが同じ画面に並んでいる。

まず役割を分ける。

図を拡大して見る

図1：CFG Scale、ステップ数、サンプラー、Hires.fixは同じ種類の設定ではない。どの層を変えているのかを分けると比較しやすい。

主要設定の早見表

設定	何を変えるか	最初に覚えること
Checkpoint	生成の中心になるモデル	画風・知識・対応LoRAの土台が変わる
VAE	潜在表現と画像の変換	別VAEが常に必要なわけではない
LoRA	ベースモデルへ追加する差分	対応するモデル系列を確認する
プロンプト	生成へ与えるテキスト条件	モデルごとに効き方や記法が異なる
Negative プロンプト	避けたい条件	モデルによって重要度が違う
シード	初期ノイズに関係する値	比較するときは固定すると差を見やすい
サンプラー	次の状態へ進める数値的方法	名前だけで品質順位を作らない
Scheduler	各ステップのノイズ量の進め方	サンプラーとは別の役割
ステップ数	サンプリング反復回数	増やせば必ず高品質になるわけではない
CFG Scale	テキスト条件をどの程度強く効かせるか	高すぎても画質や自然さを損なうことがある
幅 / 高さ	生成解像度	モデル系列が想定する解像度を確認する
Batch 回数	何回生成を繰り返すか	VRAMより総生成枚数・時間へ効きやすい
Batch サイズ	同時に何枚処理するか	VRAM使用量が増えやすい
ノイズ除去強度	img2imgなどで元画像からどれだけ変化させるか	高いほど元画像から離れやすい
Hires.fix	一度生成した後に拡大・再生成する処理	単純な画像拡大とは分ける
アップスケーラー	完成画像や途中画像を拡大する方法	細部を再生成するか画素を増やすかで役割が違う

この表だけで設定値を決めるのではなく、どの層の設定を触っているかを見失わないための地図として使う。

Checkpointは最も影響が大きい土台

Checkpointを変えると、同じプロンプトと設定値でも画像の傾向が大きく変わる。

SD1.5、SDXL、Stable Diffusion 3.5のようなモデル系列が違えば、推奨解像度や対応LoRA、プロンプトの書き方まで変わることがある。

そのため、別Checkpointへ切り替えた直後にサンプラー、ステップ数、CFG、Negative プロンプトまで以前と完全に同じ値で固定し、「このモデルは悪い」と判断するのは避けたい。

まず配布元が示す推奨条件へ戻る。

Checkpoint・VAE・LoRAの違いはComfyUIのチェックポイント・VAE・LoRAは何が違う？で詳しく分けている。

シードは画質設定ではなく比較の基準

シードは初期ノイズに関係する。

シードを変えると構図や細部も変わるため、設定Aと設定Bを比較したいときにシードまで変えると、何の差を見ているのか分かりにくくなる。

サンプラーやCFGを比較するときは、

• Checkpoint
• プロンプト
• Negative プロンプト
• 解像度
• シード

などを固定し、比較したい項目だけ変える。

同じシードなら異なるUIやバージョンでも完全に同じ画像になる、という意味ではない。

サンプラーとSchedulerは別物

サンプラーは、ノイズを含む状態から次の状態へ進める数値的な方法に関係する。

Schedulerは、各ステップでどのノイズ量を使うか、その進み方に関係する。

WebUIによってはサンプラー名とScheduler名が一つの表示に見えることがあるため混同しやすい。

たとえば名前にKarrasが含まれている設定を見ても、「Karrasがサンプラー本体」と考えない方が整理しやすい。

細かい比較方法はComfyUIのシード・ステップ数・CFG・サンプラーは何が違う？へ分けている。

ステップ数は増やすほど良いわけではない

ステップ数は、画像へ近づける処理を何段階で進めるかに関係する。

一般には増やすほど計算時間も増えるが、一定以上増やしても変化が小さくなる場合がある。

さらに、少ないステップ数で生成するよう蒸留されたモデルもある。

Stable Diffusion 3.5 Large Turboは、Stability AIが4ステップ生成を特徴としている。

つまり、SD1.5で使っていた「いつものステップ数」を別モデルへそのまま移すことはできない。

CFG Scaleは高いほど賢くなる値ではない

CFG Scaleは、生成をテキスト条件へどの程度強く寄せるかに関係する。

高くするとプロンプトの拘束が強まりやすいが、高すぎれば不自然な出力や品質低下につながることがある。

モデルによって適した範囲も違う。

特に蒸留モデルや新しいモデル系列では、従来のStable Diffusionで使われていた値をそのまま持ち込まない。

CFG 7が標準、という一つの数字を全モデルへ適用する考え方はやめた方がよい。

幅・高さは単なる出力サイズではない

生成解像度はモデルが学習した画像サイズや構成と関係する。

SD1.5で使われてきた512系の設定と、SDXLで一般的な高解像度設定を同じように扱わない。

極端な縦横比や想定外の解像度では、人物の重複や構図崩れなど別の問題が出ることもある。

まずモデルカードや配布元の推奨解像度を見る。

Batch 回数とBatch サイズは別

名前が似ているが、役割は違う。

Batch 回数は生成処理を何回繰り返すかに近い。

Batch サイズは一度に何枚を並列処理するかに関係し、増やすほどVRAM使用量が増えやすい。

大量生成したいからといって、Batch サイズを最大にする必要はない。

VRAM容量との関係は画像生成用GPUのVRAMは8GB・12GB・16GB・24GBで何が変わる？で分けている。

ノイズ除去強度はimg2imgの変化量を考える設定

img2imgでは元画像を条件として使い、そこからどの程度新しく生成し直すかを調整する。

ノイズ除去強度を低くすると元画像の構成を残しやすく、高くすると変化が大きくなりやすい。

ただし、値と見た目の変化はモデルや処理構成でも変わる。

同じ入力画像とシードで段階的に比較すると分かりやすい。

具体的な比較はComfyUIでimg2imgを始める方法で扱っている。

Hires.fixとアップスケールを同じものにしない

画像サイズを大きくする方法には複数ある。

完成画像の画素数を増やすだけのアップスケールと、生成モデルを再び使って細部を描き直す処理は同じではない。

A1111・Forge系のHires.fixは、初回生成後に拡大と再生成を組み合わせる考え方として使われる。

ComfyUIでは同じ目的でもノードを分けて構成するため、画面上の設定名がそのまま一致するとは限らない。

アップスケールの考え方はComfyUIのアップスケールは潜在表現と生成後の画像処理で何が違う？へ分けている。

CLIP スキップなどはモデル依存性が強い

古いSD1.5系のアニメCheckpointではCLIP スキップの指定を見かけることがある。

しかし、すべてのモデル系列で同じ意味・同じ推奨値になるわけではない。

SDXLやStable Diffusion 3.5まで含めて「CLIP スキップ 2にすればよい」と一般化しない。

配布元が明示している場合に、そのモデル向け設定として扱う。

Forge系とComfyUIで名前が違っても概念は共通する

ForgeやAUTOMATIC1111では、主要設定が一つのフォームにまとまっている。

ComfyUIでは同じ概念が複数ノードへ分かれる。

たとえば、

Forge系
Checkpoint / Prompt / Sampler / Steps / CFG / Size

ComfyUI
Checkpoint Loader
Text Encode
KSampler
Empty Latent Image
VAE Decode

のように見える。

画面構成は違うが、モデルを読み、条件を与え、潜在表現を用意し、サンプリングし、画像へ戻すという生成処理の役割は対応している。

UIを変えたときは「同じ場所に同じ設定があるか」ではなく、同じ役割をどのノード・どの欄が担当しているかを見る。

最初に触る順番

設定が多すぎると感じたら、次の順番で十分だ。

1. Checkpointを決める
2. 配布元の推奨解像度を使う
3. プロンプトを作る
4. シードを固定する
5. サンプラー・Scheduler・ステップ数は推奨値から始める
6. CFGを必要に応じて調整する
7. LoRAを1つ追加する
8. img2imgやHires.fix、アップスケールへ進む

一度に全部変えない。

Stable Diffusion系の設定は多いが、それぞれの役割を分ければ、暗記する量はかなり減る。

万能な設定値を覚えるより、「いま何を変えたのか」を説明できる状態を作る方が再現性は高い。