Sampler & Scheduler erklärt – was die kryptischen Namen bedeuten

Was ein Sampler eigentlich tut, was der Scheduler dazu beiträgt und was die kryptischen Namen wie „DPM++ 2M Karras“ oder „Euler a“ bedeuten – damit du nicht mehr blind wählst.

In jedem Bild-Tool gibt es eine Auswahlliste mit kryptischen Namen: Euler, Euler a, DPM++ 2M Karras, DDIM, UniPC und ein gutes Dutzend mehr. Die meisten Leute lassen den Standard stehen und hoffen das Beste – verständlich, denn die Namen klingen wie aus einem Mathe-Lehrbuch. Sind sie auch. Aber du musst die Mathematik dahinter nicht verstehen, um die richtige Wahl zu treffen.

Der Sampler beeinflusst, wie dein Bild am Ende aussieht – schärfer oder weicher, gleichmäßig reproduzierbar oder bei jedem Lauf etwas anders. Wenn du die paar Grundtypen kennst, suchst du nicht mehr blind, sondern wählst gezielt. Genau darum geht's hier.

Was ein Sampler überhaupt ist

Du weißt aus dem Steps-Spoke: Die KI startet mit Rauschen und entfernt es Schritt für Schritt, bis ein Bild dasteht ([→ Spoke: Steps]). Der Sampler ist die Methode, nach der dieses Rauschen entfernt wird – das Rechenverfahren, das bei jedem Schritt entscheidet, wie es vom aktuellen Zwischenstand zum nächsten geht.

Ein Bild dazu: Stell dir vor, du musst von einem Punkt zu einem anderen. Die Steps sind die Anzahl der Etappen, die du gehst. Der Sampler ist der Weg, den du dabei nimmst – schnurgerade und ruhig, oder im Zickzack mit ein paar zufälligen Abstechern. Das Ziel ist dasselbe, aber der Weg prägt, wie das Ergebnis wirkt: Ein Sampler liefert eher saubere, gleichmäßige Bilder, ein anderer eher weiche, lebendige.

Skizze 1: Die Steps legen fest, wie viele Etappen es sind. Der Sampler legt fest, auf welchem Weg – und damit, wie das Bild am Ende wirkt.

Und was macht der Scheduler?

Eng verwandt, oft im selben Atemzug genannt: der Scheduler. Während der Sampler bestimmt, wie ein Schritt gerechnet wird, bestimmt der Scheduler, wie viel Rauschen bei jedem einzelnen Schritt abgebaut wird – also die Verteilung der Arbeit über die Schritte. Bleiben wir beim Wegbild: Der Scheduler legt fest, ob deine Etappen am Anfang groß und zum Ziel hin kleiner werden, oder gleichmäßig lang sind.

In der Praxis begegnet dir der Scheduler oft als Namenszusatz. Das „Karras“ in „DPM++ 2M Karras“ ist kein anderer Sampler, sondern ein Scheduler – eine bestimmte Art, die Rausch-Portionen über die Schritte zu verteilen, benannt nach dem Forscher Tero Karras. Die Karras-Variante räumt in den späten Schritten sorgfältiger auf und liefert dadurch oft sauberere Details. In neueren Oberflächen sind Sampler und Scheduler manchmal zwei getrennte Auswahlfelder, in älteren sind sie zu einem Namen verschmolzen – gemeint ist dasselbe.

Der wichtigste Unterschied: ancestral oder nicht

Wenn du dir nur eine Sache merkst, dann diese. Sampler teilen sich grob in zwei Lager: deterministische und ancestrale (erkennbar oft am kleinen „a“ im Namen, etwa „Euler a“).

Deterministische Sampler streben auf ein festes Ergebnis zu. Hast du genug Schritte gerechnet, ändert sich das Bild nicht mehr – man sagt, es konvergiert. Gleicher Seed, gleiche Einstellungen, gleiches Bild, jederzeit reproduzierbar ([→ Spoke: Seed]). Das ist das, was du willst, wenn du ein gutes Ergebnis wiederfinden und gezielt weiterbearbeiten möchtest.

Ancestrale Sampler dagegen kippen bei jedem Schritt eine Portion frisches Zufallsrauschen mit dazu. Dadurch konvergieren sie nie: Mehr Schritte machen das Bild nicht „fertiger“, sondern liefern ein anderes, ähnliches Bild. Das klingt nach Nachteil, ist aber je nach Ziel ein Vorteil – ancestrale Sampler erzeugen oft weichere, lebendigere, fast malerische Ergebnisse und sind super, wenn du Variationen durchprobieren willst. Für exakte Reproduzierbarkeit taugen sie nicht.

Skizze 2: Deterministische Sampler beruhigen sich mit mehr Steps und bleiben beim selben Bild. Ancestrale ändern sich immer weiter.

Eine dritte Gruppe, die dir begegnet, sind die SDE-Varianten (etwa „DPM++ SDE“). Die mischen ähnlich wie ancestrale Sampler Zufall mit ein und konvergieren ebenfalls nicht, liefern dafür aber oft sehr detailreiche Ergebnisse – auf Kosten von Tempo und Reproduzierbarkeit.

Die gängigen Sampler und wann welcher

Du musst nicht alle kennen. Ein paar Namen tauchen immer wieder auf, und mit einer Handvoll davon deckst du praktisch alles ab:

Skizze 3: Ein grober Wegweiser – sauber und reproduzierbar, kreativ und weich, oder schnell für Vorschauen.

Faustregeln für die Praxis

Was der Sampler nicht kann

Der Sampler ist ein Feinregler, kein Wundermittel. Er entscheidet über Textur, Schärfe und den Charakter des Bildes – aber nicht darüber, was auf dem Bild zu sehen ist. Das macht der Prompt. Wenn dein Motiv grundsätzlich nicht klappt, hilft kein Sampler-Wechsel; dann liegt's am Prompt oder am Modell ([→ Spoke: Warum macht die KI nicht, was im Prompt steht?]).

Und die Unterschiede zwischen den guten Samplern sind oft kleiner, als Anleitungen glauben machen. Ein passender Prompt und ein gutes Modell wiegen weit schwerer als die Wahl zwischen zwei vernünftigen Samplern. Wer stundenlang Sampler durchprobiert, statt am Prompt zu feilen, optimiert an der falschen Stelle. Such dir einen verlässlichen Standard und dreh nur dann daran, wenn ein Bild dich konkret nicht zufriedenstellt.

Häufige Fragen zu Samplern

Welcher Sampler ist der beste?

Den einen besten gibt es nicht, aber DPM++ 2M Karras ist für die meisten Fälle ein hervorragender Standard: gutes Verhältnis aus Qualität und Tempo, saubere Details, reproduzierbar. Wer kreative Variationen will, probiert Euler a.

Was bedeutet das „a“ bei Euler a oder DPM++ 2S a?

Das „a“ steht für ancestral. Solche Sampler mischen bei jedem Schritt frischen Zufall mit ein. Sie liefern weichere, lebendigere Bilder, konvergieren aber nicht – mehr Schritte geben ein anderes Bild, kein besseres, und exakte Reproduzierbarkeit ist nicht möglich.

Was bedeutet „Karras“ im Sampler-Namen?

Karras ist ein Scheduler, kein eigener Sampler – eine bestimmte Art, das Rauschen über die Schritte zu verteilen, benannt nach dem Forscher Tero Karras. Die Karras-Variante räumt späte Schritte sorgfältiger auf und liefert oft sauberere Details.

Was ist der Unterschied zwischen Sampler und Scheduler?

Der Sampler bestimmt, wie ein einzelner Entrausch-Schritt gerechnet wird. Der Scheduler bestimmt, wie viel Rauschen pro Schritt abgebaut wird, also die Verteilung der Arbeit über die Schritte. In vielen Oberflächen stecken beide in einem Namen wie „DPM++ 2M Karras“.

Warum sieht mein Bild mit mehr Steps bei Euler a immer anders aus?

Weil Euler a ancestral ist und nicht konvergiert. Jede neue Schrittzahl gibt ein anderes ähnliches Bild statt eines verfeinerten. Willst du, dass mehr Schritte dasselbe Bild nur sauberer machen, nimm einen deterministischen Sampler wie DPM++ 2M Karras.

Beeinflusst der Sampler den Stil des Bildes?

Ja, aber begrenzt. Er prägt Textur, Schärfe und ob das Bild eher weich oder knackig wirkt. Was auf dem Bild zu sehen ist, entscheidet der Prompt, nicht der Sampler ([→ Spoke: Prompt & Negativ-Prompt]).

Weiterlesen

Sampler und Steps gehören untrennbar zusammen – wie viele Runden gerechnet werden, steht unter [→ Spoke: Steps]; warum der Seed beim Vergleichen festgehalten gehört, erklärt [→ Spoke: Seed]. Wie stark das Modell dem Prompt folgt, regelt ein eigener Wert – siehe [→ Spoke: CFG]. Und wenn die KI grundsätzlich nicht macht, was du willst, liegt das selten am Sampler: [→ Spoke: Warum macht die KI nicht, was im Prompt steht?].

[→ zurück zum Hub: KI-Bildgenerierung verstehen]