Sampling method (Stable Diffusion) - Cronologia

Lucia Terenzi il 09:53, 22 mar 2024

2024-03-22T09:53:51Z

← Versione meno recente		Versione delle 09:53, 22 mar 2024
Riga 4:		Riga 4:
	Il campionamento è una componente fondamentale nel processo interno di un modello come [[Stable Diffusion]] e alterarne il metodo può influenzare diversi aspetti della generazione, come la nitidezza, la responsività, la velocità di generazione e la stabilità del processo.		Il campionamento è una componente fondamentale nel processo interno di un modello come [[Stable Diffusion]] e alterarne il metodo può influenzare diversi aspetti della generazione, come la nitidezza, la responsività, la velocità di generazione e la stabilità del processo.

	Di base questi metodi guidano l'algoritmo su come rimuovere il rumore casuale da cui parte la generazione e come applicare i dettagli in modo che l'immagine finale corrisponda all'intenzione espressa nella prompt. Sostanzialmente, stabiliscono come il processo di generazione debba muoversi all'interno dello spazio latente.		Di base questi metodi guidano l'algoritmo su come rimuovere il rumore casuale da cui parte la generazione e come applicare i dettagli in modo che l'immagine finale corrisponda all'intenzione espressa nella prompt. Sostanzialmente, '''stabiliscono come il processo di generazione debba muoversi all'interno dello spazio latente.'''

	Per svolgere un'overview concisa ma efficace, possiamo classificare i vari approcci nel seguente modo:		Per svolgere un'overview concisa ma efficace, possiamo classificare i vari approcci nel seguente modo:

Lucia Terenzi: /* Sperimentazione */

2024-03-22T09:53:22Z

Sperimentazione

← Versione meno recente		Versione delle 09:53, 22 mar 2024
Riga 66:		Riga 66:
	![[File:DPM ++ 2M Turbo.png\|miniatura\|DPM ++ 2M Turbo: 8.7 secondi]]		![[File:DPM ++ 2M Turbo.png\|miniatura\|DPM ++ 2M Turbo: 8.7 secondi]]
	\|}		\|}
	Facendo prove dirette, le versioni Turbo degli algoritmi sembrano in effetti a parità di tempo fornire dei risultati più corretti e dettagliati. Il prossimo paragone che potrebbe essere interessante ~~sarebbe~~ tra gli approcci Turbo e quelli Adattivi/Esponenziali~~. Che~~ risultano i più performanti in termini di rapidità.		Facendo prove dirette, le versioni Turbo degli algoritmi sembrano in effetti a parità di tempo fornire dei risultati più corretti e dettagliati. Il prossimo paragone che potrebbe essere interessante fare è tra gli approcci Turbo e quelli Adattivi/Esponenziali che risultano i più performanti in termini di rapidità.

	Nel corso delle altre sperimentazioni la nostra scelta è ricaduta su '''DPM ++ 2M Karras''' per la sua stabilità e qualità generale.		Nel corso delle altre sperimentazioni la nostra scelta è ricaduta su '''DPM ++ 2M Karras''' per la sua stabilità e qualità generale.

Lucia Terenzi il 10:19, 18 mar 2024

2024-03-18T10:19:45Z

← Versione meno recente		Versione delle 10:19, 18 mar 2024
Riga 51:		Riga 51:

	Stable Diffusion Art ha inoltre effettuato delle misurazioni nell'estate del 2023 per eseguire un'analisi comparativa dei vari approcci[https://stable-diffusion-art.com/samplers/]:		Stable Diffusion Art ha inoltre effettuato delle misurazioni nell'estate del 2023 per eseguire un'analisi comparativa dei vari approcci[https://stable-diffusion-art.com/samplers/]:
	[[File:Velocità.png\|centro\|miniatura\|~~757x757px~~\|Confronto velocità dei processi]]		[[File:Velocità.png\|centro\|miniatura\|613x613px\|Confronto velocità dei processi]]
	[[File:Convergence.png\|centro\|miniatura\|771x771px\|Confronto per convergenza]]		[[File:Convergence.png\|centro\|miniatura\|771x771px\|Confronto per convergenza]]

Lucia Terenzi il 17:13, 15 mar 2024

2024-03-15T17:13:57Z

← Versione meno recente		Versione delle 17:13, 15 mar 2024
Riga 4:		Riga 4:
	Il campionamento è una componente fondamentale nel processo interno di un modello come [[Stable Diffusion]] e alterarne il metodo può influenzare diversi aspetti della generazione, come la nitidezza, la responsività, la velocità di generazione e la stabilità del processo.		Il campionamento è una componente fondamentale nel processo interno di un modello come [[Stable Diffusion]] e alterarne il metodo può influenzare diversi aspetti della generazione, come la nitidezza, la responsività, la velocità di generazione e la stabilità del processo.

	Di base questi metodi guidano l'algoritmo su come rimuovere il rumore casuale da cui parte la generazione e come applicare i dettagli in modo che l'immagine finale corrisponda all'intenzione espressa nella prompt.		Di base questi metodi guidano l'algoritmo su come rimuovere il rumore casuale da cui parte la generazione e come applicare i dettagli in modo che l'immagine finale corrisponda all'intenzione espressa nella prompt. Sostanzialmente, stabiliscono come il processo di generazione debba muoversi all'interno dello spazio latente.

	Per svolgere un'overview concisa ma efficace, possiamo classificare i vari approcci nel seguente modo:		Per svolgere un'overview concisa ma efficace, possiamo classificare i vari approcci nel seguente modo:
Riga 66:		Riga 66:
	![[File:DPM ++ 2M Turbo.png\|miniatura\|DPM ++ 2M Turbo: 8.7 secondi]]		![[File:DPM ++ 2M Turbo.png\|miniatura\|DPM ++ 2M Turbo: 8.7 secondi]]
	\|}		\|}
	Facendo prove dirette, le versioni Turbo degli algoritmi sembrano in effetti a parità di tempo fornire dei risultati più corretti e dettagliati. Il prossimo paragone che potrebbe essere interessante sarebbe tra gli approcci Turbo e quelli Adattivi/Esponenziali.		Facendo prove dirette, le versioni Turbo degli algoritmi sembrano in effetti a parità di tempo fornire dei risultati più corretti e dettagliati. Il prossimo paragone che potrebbe essere interessante sarebbe tra gli approcci Turbo e quelli Adattivi/Esponenziali. Che risultano i più performanti in termini di rapidità.

			Nel corso delle altre sperimentazioni la nostra scelta è ricaduta su '''DPM ++ 2M Karras''' per la sua stabilità e qualità generale.

Lucia Terenzi il 17:09, 15 mar 2024

2024-03-15T17:09:18Z

@@ Riga 2: / Riga 2: @@
 Attualmente, ci sono ben 38 opzioni di Sampling methods disponibili in AUTOMATIC1111 (a Giugno 2023 erano solo [https://stable-diffusion-art.com/samplers/ 19]!).
-Il campionamento è una componente fondamentale nel processo interno di un modello come [[Stable Diffusion]] e alterarne il metodo può influenzare diversi aspetti della generazione, come la nitidezza, la responsività, la velocità di generazione e la stabilità del processo di diffusione
+Il campionamento è una componente fondamentale nel processo interno di un modello come [[Stable Diffusion]] e alterarne il metodo può influenzare diversi aspetti della generazione, come la nitidezza, la responsività, la velocità di generazione e la stabilità del processo.
 Per svolgere un'overview concisa ma efficace, possiamo classificare i vari approcci nel seguente modo:
@@ Riga 53: / Riga 55: @@
 == Sperimentazione ==

Lucia Terenzi il 16:37, 15 mar 2024

2024-03-15T16:37:24Z

← Versione meno recente		Versione delle 16:37, 15 mar 2024
Riga 51:		Riga 51:
	[[File:Velocità.png\|centro\|miniatura\|757x757px\|Confronto velocità dei processi]]		[[File:Velocità.png\|centro\|miniatura\|757x757px\|Confronto velocità dei processi]]
	[[File:Convergence.png\|centro\|miniatura\|771x771px\|Confronto per convergenza]]		[[File:Convergence.png\|centro\|miniatura\|771x771px\|Confronto per convergenza]]

			== Sperimentazione ==

Lucia Terenzi il 16:36, 15 mar 2024

2024-03-15T16:36:12Z

← Versione meno recente		Versione delle 16:36, 15 mar 2024
Riga 49:		Riga 49:

	Stable Diffusion Art ha inoltre effettuato delle misurazioni nell'estate del 2023 per eseguire un'analisi comparativa dei vari approcci[https://stable-diffusion-art.com/samplers/]:		Stable Diffusion Art ha inoltre effettuato delle misurazioni nell'estate del 2023 per eseguire un'analisi comparativa dei vari approcci[https://stable-diffusion-art.com/samplers/]:
	[[File:~~Confronto velocità~~.~~webp~~\|centro\|miniatura\|~~684x684px~~\|Confronto ~~per~~ velocità di processi]]		[[File:Velocità.png\|centro\|miniatura\|757x757px\|Confronto velocità dei processi]]
	[[File:Convergence ~~confronto~~.~~webp~~\|centro\|miniatura\|~~619x619px~~\|Confronto per convergenza]]		[[File:Convergence.png\|centro\|miniatura\|771x771px\|Confronto per convergenza]]

Lucia Terenzi il 16:31, 15 mar 2024

2024-03-15T16:31:21Z

← Versione meno recente		Versione delle 16:31, 15 mar 2024
Riga 27:		Riga 27:
	#* DPM++ 2M Turbo		#* DPM++ 2M Turbo
	#* DPM++ 2M SDE Turbo		#* DPM++ 2M SDE Turbo
	# Metodi SGM (~~probabilmente~~ Smooth Gradient Methods o varianti):		# Metodi SGM (Smooth Gradient Methods o varianti):
	#* Euler SGMUniform		#* Euler SGMUniform
	#* Euler A SGMUniform		#* Euler A SGMUniform
Riga 46:		Riga 46:
	#* UniPC		#* UniPC

	<blockquote>In certi nomi possiamo notare una "a" (Euler a, DPM++ 2S a, ecc.). Essa sta per "ancestrale" e identifica gli algoritmi di tipo stocastico (Monte Carlo).</blockquote>Nell'approcciare Stable Diffusion è bene saper individuare in base alle proprie esigenze quali sono i metodi di campionamento più adatti. Le due caratteristiche principali che contraddistinguono la performance di ciascun algoritmo sono la velocità e la qualità.		<blockquote>In certi nomi possiamo notare una "a" (Euler a, DPM++ 2S a, ecc.). Essa sta per "ancestrale" e identifica gli algoritmi di tipo stocastico (Monte Carlo).</blockquote>Nell'approcciare Stable Diffusion è bene saper individuare in base alle proprie esigenze quali sono i metodi di campionamento più adatti. Le due caratteristiche principali che contraddistinguono la performance di ciascun algoritmo sono la velocità e la qualità. Puoi trovare un confronto dei vari modelli che prende in considerazione anche la stabilità qui: [https://wiki.offworld.it/images/4/44/Confronto_50.webp].
	~~[[File:Confronto.webp\|miniatura\|1328x1328px\|fonte~~: [https://~~www~~.~~reddit~~.~~com~~/~~user~~/~~adesigne~~/ https://~~www.reddit~~.com/~~user~~/~~adesig~~]]]
			Stable Diffusion Art ha inoltre effettuato delle misurazioni nell'estate del 2023 per eseguire un'analisi comparativa dei vari approcci[https://stable-diffusion-art.com/samplers/]:
			[[File:Confronto velocità.webp\|centro\|miniatura\|684x684px\|Confronto per velocità di processi]]
			[[File:Convergence confronto.webp\|centro\|miniatura\|619x619px\|Confronto per convergenza]]

Lucia Terenzi il 16:21, 15 mar 2024

2024-03-15T16:21:45Z

← Versione meno recente		Versione delle 16:21, 15 mar 2024
Riga 47:		Riga 47:

	<blockquote>In certi nomi possiamo notare una "a" (Euler a, DPM++ 2S a, ecc.). Essa sta per "ancestrale" e identifica gli algoritmi di tipo stocastico (Monte Carlo).</blockquote>Nell'approcciare Stable Diffusion è bene saper individuare in base alle proprie esigenze quali sono i metodi di campionamento più adatti. Le due caratteristiche principali che contraddistinguono la performance di ciascun algoritmo sono la velocità e la qualità.		<blockquote>In certi nomi possiamo notare una "a" (Euler a, DPM++ 2S a, ecc.). Essa sta per "ancestrale" e identifica gli algoritmi di tipo stocastico (Monte Carlo).</blockquote>Nell'approcciare Stable Diffusion è bene saper individuare in base alle proprie esigenze quali sono i metodi di campionamento più adatti. Le due caratteristiche principali che contraddistinguono la performance di ciascun algoritmo sono la velocità e la qualità.
	[[File:Confronto.webp\|miniatura\|1328x1328px\|fonte: https://www.reddit.com/user/adesigne/]]		[[File:Confronto.webp\|miniatura\|1328x1328px\|fonte: [https://www.reddit.com/user/adesigne/ https://www.reddit.com/user/adesig]]]

Lucia Terenzi il 16:15, 15 mar 2024

2024-03-15T16:15:19Z

← Versione meno recente		Versione delle 16:15, 15 mar 2024
Riga 1:		Riga 1:
	[[File:Sampling methods stable diffusion.png\|miniatura\|~~380x380px~~]]		[[File:Sampling methods stable diffusion.png\|miniatura\|552x552px]]
	Attualmente, ci sono ben 38 opzioni di Sampling methods disponibili in AUTOMATIC1111 (a Giugno 2023 erano solo [https://stable-diffusion-art.com/samplers/ 19]!).		Attualmente, ci sono ben 38 opzioni di Sampling methods disponibili in AUTOMATIC1111 (a Giugno 2023 erano solo [https://stable-diffusion-art.com/samplers/ 19]!).