高级设置及参数说明

• 控制强度（Weight）

控制图片与原有猫咪的相似度，默认为1，只存在于PicMate模型中

• 扣题程度（CFG Scale）

  CFG scale指图像与提示语的一致程度——越低的值产生的结果越有创意，数值越大成图越贴近描述文本。

• 采样方法（Sampler）

  Sampler指采样模式，即扩散算法的去噪声采样模式会影响其效果，不同的采样模式的结果会有很大差异，默认选择Euler a。

Euler a：使用了祖先采样（Ancestral sampling）的Euler方法，受采样器设置中的eta参数影响

推荐步数：30~35

DPM++ 2M Karras：在K-diffusion实现的2阶多步采样方法，并使用了噪声时间表（noise schedule）在Hagging face中Diffusers中被称作已知最强调度器，在速度和质量的平衡最好。这个代表M的多步比上面的S单步在采样时会参考更多步，而非当前步，所以能提供更好的质量。但也更复杂。

推荐步数：35~40

DPM++ SDE Karras: DPM++的SDE版本，并使用了噪声时间表（noise schedule）即随机微分方程（stochastic differential equations），而DPM++原本是ODE的求解器即常微分方程（ordinary differential equations），在K-diffusion实现的版本，代码中调用了祖先采样（Ancestral sampling）方法，所以受采样器设置中的ETA参数影响。

推荐步数：30~35

DPM++ 2S a Karras：在K-diffusion实现的2阶单步并使用了祖先采样（Ancestral sampling）的方法，受采样器设置中的eta参数影响。

推荐步数：30~35

UniPC：是一种2023年新开发的扩散采样器，由两部分组成：统一预测器（UniP）和统一校正器（UniC）。它支持任何求解器和噪声预测器。

推荐步数：20~30

• 采样步数（Steps）

  • Steps指所进行的迭代步骤。每经过一次迭代，AI就有更多的机会去比对prompt和当前结果，并作出相应的调整。需要注意的是，更高的迭代步数会消耗更多的计算时间和成本，但并不意味着一定会得到更好的结果。然而，如果迭代步数过少（少于20），则图像质量肯定会下降。

• 种子值（seed）

  • 随机数种子。生成每张图片时的随机种子，这个种子是用来作为确定扩散初始状态的基础。

  即可通过输入种子值及保持参数不变复现稳定出图