sampler_name

 

Sampler는 이미지를 어떻게 그릴지 결정하는 방식이야. 프롬프트를 "얼마나 부드럽게", "얼마나 정밀하게"
"어떤 경로를 따라" 이미지로 바꿀지 정하는 브러시 스타일이라고 보면 돼. 여긴 좀 유식한 척 해볼까^^

1. Euler 계열

Euler의 뜻 (정확한 발음: 오일러) Euler는 수학자야  레온하르트 오일러(Leonhard Euler)의 이름이야.

(발음은 "유-러" 아니고, "오일러"임)

 

이 양반은 18세기 수학자 중에서도 전설급 인물인데, 현대 수학, 공학, 물리, 컴퓨터 그래픽스에서 쓰이는 수치해석법, 적분법, 미분방정식 해법의 아버지라고 불려.

 

Euler Method (오일러 방식)이라는 것이 있는데 복잡한 곡선을 계산할 수 없으니까, 그 곡선을 아주 짧은 직선들로 나눠서 계산하는 방법이야. 

 

Stable Diffusion처럼 "노이즈를 반복적으로 제거"해야 할 때,

이 방법이 딱 맞는 거지.

 

 

 

이름의미특징 

euler	기본 Euler	빠름, 전통적, 깔끔한 엣지
euler_ancestral	Ancestral: 조상 방식의 확률성 포함	랜덤성 있음, 다양성 높음
euler_cfg_pp	Classifier-Free Guidance + Pseudo-Predictor	CFG를 보정한 고급 버전
euler_ancestral_cfg_pp	위 둘 합친 버전	확률성과 CFG보정 결합형

→ Euler는 기본적으로 빠르고 직관적인 생성에 강해.

→ _cfg_pp는 디테일 개선용. Pseudo-Predictor (PP) 이건 말이 어렵지, 진짜 의미는

"미래를 미리 계산하듯 예측해서, 결과를 더 정밀하게 보정해주는 계산 기법"
쉽게 말해 일반 샘플러는 “지금 상태 보고, 다음 단계로 그냥 한 발 가자”
Pseudo-Predictor(pp)는 “어디로 갈지 대충 예측하고, 그 방향으로 더 똑똑하게 한 발 가자” 즉, 정확도와 부드러움이 좋아진다는 거야.

→ Ancestral: 조상 방식의 확률성 포함 = 조상처럼 거슬러 올라간다  즉, 원래 상태(노이즈)부터 확률적으로 하나하나 따라가며 그려본다. 랜덤성 강화

 

 

2. DPM 계열 (Diffusion Probabilistic Models)= 확률적으로 이미지를 생성해 나가는 확산 방식

D = Diffusion: 노이즈를 점점 제거해나가는 방식 (확산)
P = Probabilistic: 매 순간 결정이 아니라 확률적으로 움직임 * probabilistic 1.개연론[설]의, 가망성의[에 근거한],확률론적
M = Model: 이걸 기반으로 작동하는 전체 구조

이름의미특징

dpm_2	2차 도함수 기반 DPM	정밀하고 자연스러움
dpm_2_ancestral	확률성 포함 버전	부드럽고 다양성↑
dpm_fast	속도 최적화형	빠름, 러프한 출력
dpm_adaptive	상황 적응형	입력에 따라 최적화
dpmpp_2s_ancestral	DPM++ 2nd-order Sampler, Ancestral	고급 DPM++, 다양성↑
dpmpp_2s_ancestral_cfg_pp	+ CFG 보정	섬세한 품질 조정 가능
dpmpp_sde	SDE: Stochastic Differential Equation	노이즈 제어 우수
dpmpp_sde_gpu	GPU 최적화	속도 향상
dpmpp_2m	2nd-order Multistep	고정밀 스타일
dpmpp_2m_cfg_pp	CFG 개선 포함	디테일 강화
dpmpp_2m_sde	SDE적용	세밀한 조정
dpmpp_2m_sde_gpu	GPU 최적화	빠르면서 정밀
dpmpp_3m_sde	3단계, 고급형	매우 고해상도에 강함
dpmpp_3m_sde_gpu	GPU 최적화	무거운 작업에 적합

→ dpmpp는 DPM++ 확장형, 2m/2s/3m은 순서나 단계 수를 나타냄

→ _sde는 Stochastic 방식으로 노이즈 다루는 방식
→ _cfg_pp는 CFG 보정 적용

 

 3. Heun / LMS / PLMS 계열

이름의미특징

heun	Heun 적분법 기반	부드럽고 안정적
heunpp2	개선된 Heun	더 디테일함
lms	LMS: Linear Multistep	깔끔하고 균형잡힌 결과
plms (표기 없음)	Pseudo Linear Multistep	LMS보다 속도 빠름

→ 이 계열은 수학적 적분 방식을 기반으로 한 전통적인 sampler야.

→ 자연스럽고 부드러운 흐름 표현에 적합해.

 4. DDIM / DDPM 계열

이름의미특징

ddim	Denoising Diffusion Implicit Model	기본 Diffusion, 부드러움
ddpm	Denoising Diffusion Probabilistic Model	전통적 확률 기반
ddpm_fast	속도 향상	빠른 디코딩
ddpm_adaptive	상황 최적화형	빠르고 적응형

→ 가장 전통적이고 표준적인 디퓨전 알고리즘이야.

→ DDIM (Denoising Diffusion Implicit Model) 은 deterministic 방식이고,
 Deterministic = 결정론적 → "같은 조건이면 무조건 같은 결과
"DDPM을 개량해서 나온 모델 / 랜덤 없이, 딱 정해진 경로로 노이즈를 제거/ 같은 Seed + 프롬프트 = 항상 같은 결과 훨씬 빠르고, 효율적이지만 → 랜덤성 적고, 다양성은 떨어질 수 있음

→  DDPM (Denoising Diffusion Probabilistic Model) 은 probabilistic 방식
Probabilistic = 확률론적 → "같은 조건이어도 랜덤하게 결과가 달라질 수 있음
" 원조 Diffusion 모델 / 노이즈 제거 과정이 확률 기반 / 매 step마다 랜덤한 요소가 개입됨
그래서: → 다양성은 좋음, → 하지만 느리고 예측 불가능한 면도 있음

 

5. UniPC 계열 (최신 고급형)

이름의미특징

uni_pc	Unified Predictor-Corrector	정밀함 + 속도 + 자연스러움
uni_pc_bh2	BH2 옵션 추가	더 부드러운 노이즈 예측

Unified Predictor-Corrector  = /Unified = 통합된, 하나로 묶은 / Predictor = 예측하는 놈 / Corrector = 고치는 놈

→ 가장 최근 등장한 고급 샘플러

→ 속도, 품질, 안정성을 전부 고려한 하이브리드 방식

 6. IPNDM / LCM / ER / Gradient / RES 계열 (실험적 & 연구용)

이름의미특징

ipndm, ipndm_v	Improved PNDM	Pseudo Noise 모델 확장
lcm	Latent Consistency Model	LCM 구조 (Dreamshaper에서 씀)
er_sde	Exact Reverse SDE	실험적 노이즈 제거 방식
gradient_estimation	그래디언트 기반 추정	정밀 제어 가능
res_multistep, res_multistep_cfg_pp, ...	Residual 방식 + 다단계	정밀하지만 느릴 수 있음

→ 이 계열은 대부분 실험용, 연구모델 기반이야

→ 일반적인 생성에는 잘 안 쓰지만, LoRA 실험, 디테일 실험에는 유용할 수 있어

→  ComfyUI 사용자 중 90%는 몰라도 된다고 봐도 무방!!

7. seeds 계열

이름의미특징

seeds_2, seeds_3

Seed 변형 방식

seed 간 다변화 실험용

→ 내부 노이즈 구조를 변경하거나 seed 간 패턴을 다양화하는 데 사용

 

 8. 기타

이름의미특징

deis	DEIS: Denoising Explicit Implicit SDE	deterministic + stochastic 결합형
gradient_estimation_cfg_pp	gradient + cfg 보정	디테일 + 프롬프트 해석 강화

 마무리 정리

계열주요 특성추천 목적

 

Euler	빠름, 단순함	프리뷰, 기본 실험
DPM++	정밀, 고급	인물, 포스터, 고해상도
UniPC	속도 + 품질	실전작업 전용
DDIM/DDPM	자연스러움	균형 잡힌 그림
Heun/LMS	부드럽고 전통적	감성화 표현
기타	실험, 연구	LoRA 제작, 스타일 실험

 

Sampling Method: 이미지 질과 다양성을 조정하는 샘플링 방법