噪声调度是什么?加噪与去噪时间表对出图的影响
同一模型、同一提示词、同一 seed,只把采样器或”调度”换一下,出来的构图松紧、对比度、细节量都不一致;更反直觉的是,把步数从 25 加到 60,有时画面反而更平更软。很多人因此把”步数”当成画质旋钮,其实它是”沿哪条路线、用几个点走完”的问题。要弄清这件事,得先看清噪声是怎么被安排进去、又怎么被一步步拿掉的。
第一步:前向加噪是一条事先定好的路线
训练扩散模型时,先把干净图 x0 按公式 x_t = √ᾱ_t·x0 + √(1−ᾱ_t)·ε 逐步加高斯噪声,ε 服从标准正态分布,t 从 0 走到 T(经典 DDPM 用 T=1000)。这里的 ᾱ_t 序列就是噪声调度(noise schedule),它规定了每一步还剩多少信号、掺了多少噪声。
用信噪比看更直观:SNR(t) = ᾱ_t / (1−ᾱ_t),随 t 单调下降。线性调度(DDPM 原始)、余弦调度(Improved DDPM)以及按连续时间定义的 Karras / EDM 调度,差别就在于 SNR 掉落的曲线形状——是均匀掉、前期慢慢掉后期急掉,还是把更多分辨率留给低噪声段。
第二步:模型学的是”在任意噪声级别预测噪声”
训练目标可以简写成 L = E‖ε − ε_θ(x_t, t)‖²:给一张带噪图和一个时间步 t,让网络猜当初加进去的噪声。所以 t 不是序号,而是”当前噪声有多大”的刻度,模型在每个噪声级别上各学了一套去噪能力。
这带来一个硬约束:训练和推理必须使用一致的调度。若推理时把 t 映射到与训练时不同的噪声强度,模型就会”认错阶段”,把该补细节的步当成该定结构的步,表现为色彩发灰、对比度不够或结构松散。
第三步:推理是倒着走同一条路线,但只走 20~50 步
采样从 x_T 这一团纯噪声出发,按 t=T→0 逐步去噪。T=1000 太慢,实际只在曲线上稀疏取 20~50 个点。不同采样器和调度器的本质差别就是两件事:在哪几个 t 上抽样,以及每步怎么外推。
DDIM 走确定性路径,步间插值稳定;Euler ancestral、eta>0 的采样器会在每步重新注入一点噪声,随机性更强;DPM++ 2M Karras 属于高阶加多步外推,配合 Karras 调度把更多步数分配到低噪声段(细节段),因此同样 25 步下细节更扎实。均匀抽样则把步数浪费在几乎全是噪声的早期。
第四步:为什么步数越多反而更糊
去噪轨迹也有分工:高噪声段(SNR 低)决定全局布局、主体位置和明暗大关系;低噪声段(SNR 高)决定锐度、纹理、颗粒。
于是两端各有坑:步数太少(低于 15 左右),早期结构还没收敛,容易出现多余肢体、错位、物体融合;步数过多又配了带随机性的采样器,后期每步都在重新注噪,等于反复把刚补上的细节洗掉,画面变软、发糊、对比度下降。这就是”加步数反而更差”的机制,不是模型偷懒。
另一个常见现象是整图偏灰、黑不下去,原因是老调度在 t=T 时 ᾱ_T 没有趋近 0(zero terminal SNR 问题),推理起点噪声不足。新调度会强制终端 SNR 接近 0,或改用 v-prediction 参数化来修正。
第五步:调度必须和模型、CFG 配套
不同架构的轨迹形状本就不同。SDXL 是传统扩散,常用 25~35 步、CFG 6~8、DPM++ 2M Karras;Flux / SD3 走 rectified flow,轨迹接近直线,dev 版 20~28 步、CFG 常压到 3~4,schnell 蒸馏版甚至 4 步就能出图。把 SDXL 的”高 CFG 加多步”配方照搬到 Flux,结果往往是过饱和、边缘发糊。换模型就得重调调度,别拿旧配方硬套。
一套可调参的顺序
- 先固定四件套:模型权重、采样器、调度器、seed,一次只动一个变量。
- 给个起点:SDXL → DPM++ 2M Karras / 28 步 / CFG 7;Flux dev → 默认 flow 调度 / 20~28 步 / CFG 3~4;大批量初筛用 schnell 4 步。
- 判断步数够没够:同一 seed 出 N 与 N+10 两张,若主体位置和大明暗一致、只有细节变化,说明已收敛;若构图都变了,说明步数不足,继续加。
- 提对比度别靠加步数,先检查终端 SNR 与 CFG;补细节优先换 Karras 类调度或交给超分,而不是盲目上 60 步。
- 批量生产把采样器、调度器、步数、CFG、seed 全部写进素材元数据,否则同一句提示词无法复现。
在 AIGC制作公司 的日常产线里,调度参数通常是随模型版本一起冻结的:换权重必须重跑一轮基准图,确认布局、对比度、锐度三项没漂,才允许放量。这比让每个操作员自己调步数稳得多。
结语
步数不是画质旋钮,调度才是那条路线的形状。理解了”早期定结构、晚期定纹理”,你就知道该在哪个环节加力:结构不对去调早期条件,细节不够去调后期调度,而不是把所有问题都交给”再多跑几步”。
想看这些参数在真实 AI广告 项目里怎么组合成可复现的配方,可以继续翻我们的实操笔记。