企业官网建设流程全解析

KSampler 是 ComfyUI 出图质量的核心节点。下面按参数逐项讲解含义、取值建议与调优思路。

参数总览

1. seed（种子）

• 决定初始噪声分布，同参数同种子 = 同结果，是复现和对比调参的基础。
• 调参阶段建议先fixed固定种子，只改一个参数观察差异；满意后再randomize批量产图。

2. steps（步数）

• 步数越多，去噪越精细，但收益递减且耗时线性增长。
• 经验值：
  • SD1.5：20–30
  • SDXL：25–35
  • 配合高阶采样器（如dpmpp_2m）20 步左右即可收敛。
• 判断是否够用：固定种子，逐步加 steps，当画面不再有明显变化即为“收敛点”，再加只是浪费算力。

3. cfg（Classifier-Free Guidance）

控制“贴合提示词”与“画面自然度”的平衡。

• 过低（<3）：忽略提示词，构图发散、发灰。
• 合理（4–8）：大多数模型甜区。
• 过高（>12）：过饱和、对比度炸裂、出现锐化伪影、细节崩坏。

调优要点：

• 写实模型偏低（3–6），插画/二次元可略高（7–9）。
• cfg 与 steps 有耦合：cfg 高时往往需要更多 steps 才稳定。
• 若用了 cfg 类修正节点（如 CFG rescale / dynamic thresholding），可承受更高 cfg 而不过曝。

4. sampler_name（采样器）

常用分类：

• 收敛快、稳定：euler、euler_ancestral、dpmpp_2m
  • dpmpp_2m是综合首选，速度质量平衡好。
• SDE 系（细节更丰富、带随机性）：dpmpp_2m_sde、dpmpp_3m_sde
  • 适合追求纹理细节，但同种子可复现性稍弱。
• ancestral（带 a）：每步注入噪声，结果更多样，但 steps 不足时不易收敛、难复现。

建议：起步用dpmpp_2m + karras，要更多细节换dpmpp_2m_sde + karras。

5. scheduler（调度器）

控制噪声在各步间的分配曲线。

• normal：均匀，基础可用。
• karras：低噪声段更密集，细节与画质普遍更好，最常用。
• exponential：噪声衰减更陡，风格化。
• sgm_uniform：部分 SDXL / 新模型推荐。
• beta/simple：特定模型或快速预览。

sampler_name + scheduler是组合拳，最稳的通用组合是dpmpp_2m+karras。

6. denoise（去噪强度）

• 文生图：必须1.0（从纯噪声开始）。
• 图生图 / Hires Fix 第二段：
  • 0.3–0.5：轻微修饰，保留原构图。
  • 0.5–0.7：明显重绘，加细节、改风格。
  • >0.75：接近重画，原图影响弱。
• Hires 放大常用0.4–0.6，过高会“画蛇添足”改变主体，过低则放大不出新细节。

实用调优流程

1. 固定种子，先用基线：steps=25、cfg=6、dpmpp_2m、karras、denoise=1.0。
2. 调 cfg：±1 步进，找语义贴合又不过曝的点。
3. 调 steps：找收敛点，能减就减以提速。
4. 换采样器/调度器：在质量需求高时尝试 SDE 系 + karras。
5. Hires Fix：二段 KSampler，denoise设 0.4–0.6 放大补细节。
6. 满意后randomize批量出图择优。

常见问题速查