AI 分析 · 由大模型根据 README 与仓库数据生成 · 2026年11月18日
扩散模型快速采样求解器,约10步生成高质量样本。
这是论文《DPM-Solver: A Fast ODE Solver for Diffusion Probabilistic Model Sampling in Around 10 Steps》(NeurIPS 2022 Oral)的官方代码,同时包含改进版 DPM-Solver++。它是一个专为扩散模型常微分方程设计的高阶求解器,无需重新训练即可用于离散或连续时间扩散模型,在约10到20次函数评估内生成样本。
推荐指数
扩散模型加速采样的经典工作,已被 Diffusers 等主流库集成,实用性强。
总 Star 排名
#2394
雷达追踪的 3,958 个 AI 仓库中
创建于
2022
2022年8月7日
核心亮点
1无需重新训练
直接替换采样器即可加速现有扩散模型。
2步数少质量高
约10到20步即可生成高质量样本。
3支持引导采样
DPM-Solver++ 针对引导采样优化,适用于 Stable Diffusion。
4已集成 Diffusers
可通过 DPMSolverMultistepScheduler 直接调用。
适用场景
加速 Stable Diffusion 推理
例如:在 Diffusers 中替换调度器为 DPMSolverMultistepScheduler,减少采样步数。
研究扩散模型采样算法
例如:对比不同求解器在相同步数下的生成质量。
集成到自有扩散模型代码
例如:按照文档定义噪声调度和模型包装,调用 DPM-Solver 采样。
它是怎么工作的
第 1 步
定义噪声调度
指定扩散过程的噪声计划(如 VP 或 VE)。
第 2 步
包装模型
将模型包装为连续时间噪声预测模型。
第 3 步
配置求解器
选择 DPM-Solver 或 DPM-Solver++ 及阶数、步数等参数。
第 4 步
执行采样
从噪声出发,通过少量迭代生成样本。
快速上手
- 1
安装依赖
安装 PyTorch 和 Diffusers 等库。
- 2
加载模型并替换调度器
使用 Diffusers 加载 Stable Diffusion 管道,替换为 DPMSolverMultistepScheduler。
pipe.scheduler = DPMSolverMultistepScheduler.from_config(pipe.scheduler.config) - 3
生成图像
传入提示词执行推理并保存结果。
image = pipe(prompt).images[0]
适合谁
- 使用扩散模型进行图像生成的开发者
- 希望减少采样步数、提升推理速度的研究者
- 需要将快速采样器集成到自有代码的工程师
不太适合
- 不熟悉扩散模型基础概念的初学者
- 需要开箱即用完整应用而非算法组件的用户
成熟度
- 活跃度最后更新于2024年2月,近期活跃度一般。
- 文档README 包含详细文档、示例和超参数建议。
- 社区1860 星、136 分支,被多个流行项目采用。
- 上手难度通过 Diffusers 可一行代码替换调度器,自有代码集成也有文档指导。
同类项目怎么选
- k-diffusion同样提供快速采样器,但包含更多采样算法且被 Stable Diffusion WebUI 广泛使用。
- Diffusers是完整的扩散模型库,集成了 DPM-Solver 等多种调度器,而本项目是专用求解器实现。
使用前注意
- · 采用 MIT 许可证,商用友好。
- · 主要面向扩散模型,需了解相关基础概念。
- · 部分示例依赖特定版本的 Diffusers 和 PyTorch。
