ComfyUIのSamplerはどれを選ぶべき?完全ガイド 2025年版

ComfyUIのsamplerドロップダウンを開くと、20種類以上の謎めいた選択肢が並んでいます。Euler、Euler A、DPM++ 2M、DPM++ 2M SDE、DPM++ SDE GPU…リストは延々と続きます。どれが最高の画像を生成するのか?どれが一番速いのか?そもそもこの選択は重要なのでしょうか?

Samplerは、diffusion processでモデルがノイズを除去する方法を定義するもので、画像品質、生成速度、クリエイティブなバリエーションに根本的な影響を与えます。適切なsamplerの選択により、平凡な出力が驚くような結果に変わる一方、間違った選択は時間とGPUリソースを無駄にします。

Sampler選択を理解することで、当て推量をなくし、ComfyUIワークフローにおける品質と速度のトレードオフを正確にコントロールできるようになります。

Samplerが実際に何をしているのか - Diffusion Processを理解する

Samplerは、純粋なノイズから段階的にノイズを除去して、まとまりのある画像を作り出すアルゴリズムです。異なるsampling algorithmは、このdenoising processに対して異なる数学的アプローチを取り、品質と速度の特性に差が出ます。

Denoisingの課題: ランダムノイズから始めて、モデルは各ステップでノイズを予測して除去しなければなりません。単純なアプローチ(単にモデルを一度適用する)では、良い結果は得られません。洗練されたsampling algorithmは、ノイズレベルを下げながらモデルを複数回適用し、段階的に画像を精緻化していきます。

Samplingの仕組み:

DeterministicとStochastic: Deterministic samplerは、同じseedとパラメータを与えると同一の結果を生成します。Stochastic samplerは制御されたランダム性を導入し、同じseedでもバリエーションを生成します。

Deterministic samplerは完全な再現を可能にします。Stochastic samplerはクリエイティブな探索を可能にします。

ConvergentとNon-Convergent: Convergent samplerは最終結果に安定化します。つまり、ある時点を超えてステップを追加しても変化が生じません。Non-convergent(ancestral) samplerは追加のステップで進化し続け、完全には収束しません。

この違いは、反復効率とクリエイティブなワークフローにとって重要です。

なぜ複数のSamplerが存在するのか: 速度、品質、汎用性を完璧にバランスさせる単一のsampling algorithmは存在しません。異なるsamplerは異なる優先順位に最適化されています。速度を優先するもの、品質を最大化するもの、クリエイティブなバリエーションを可能にするものなど様々です。

これらのトレードオフを理解することで、各ワークフローに適したツールを選択できるようになります。

技術的な複雑さなしに優れた結果を求めるユーザーには、Apatero.comのようなプラットフォームが、クリエイティブな目標と選択したモデルに基づいて自動的に最適なsamplerを選択してくれます。

実際に使うべき上位5つのSampler

ComfyUIには数十のsamplerが含まれていますが、ほとんどのユーザーは少数の高性能なものを理解すれば十分です。ユースケースの95%をカバーする5つのsamplerを紹介します。

1. DPM++ 2M Karras (最も人気 - 品質重視):

DPM++ 2M KarrasはDPM++ 2M sampling algorithmとKarras noise scheduling(Karras schedulerガイドで詳細を参照)を組み合わせたものです。中程度のstep count(20-30ステップ)で優れた品質を生み出し、すべてのモデルタイプで確実に機能します。

2. Euler (最速 - 良好な品質):

Euler samplerは優れた品質対速度比を提供します。実験、テスト、生成時間が重要なワークフローにおける定番の選択肢です。

3. Euler A (クリエイティブなバリエーション):

Euler A(Ancestral)は、Euler algorithmに制御されたランダム性を導入します。同じseedでもクリエイティブなバリエーションを生成し、プロンプトの異なる解釈を探索するのに最適です。

4. DPM++ SDE Karras (最高品質):

DPM++ SDE Karrasは、生成時間を犠牲にして絶対的な最高品質の出力を提供します。最終レンダリング、クライアントワーク、最高品質が時間投資を正当化する状況で使用します。

5. Heun (低歪み):

Heunは、ソース画像の特性を保持することが重要なimage-to-imageワークフローで優れています。スタイル変更を適用しながら、最小限の歪みを導入します。

クイック選択ガイド:

Ancestral Samplerを理解する - ランダム性が役立つとき

名前に「A」または「ancestral」が含まれるsamplerは、deterministic samplerとは根本的に異なる動作をします。この違いを理解することで、効果的に活用できるようになります。

Ancestral Samplerの特徴: Ancestral samplerは各ステップで制御されたノイズを導入し、denoising processにstochastic(ランダム)な要素を作り出します。これにより収束を防ぎます。つまり、samplerは安定化するのではなく、追加のステップで画像を進化させ続けます。

Ancestral Samplerの特性:

Ancestral Samplerを使うべきとき: プロンプトのクリエイティブなバリエーションを探索するとき、1つの精緻化よりも複数の異なる解釈が欲しいとき、制御された予測不可能性が価値を加える芸術的作業、行き詰まって新鮮なバリエーションが必要なときに使用します。

Ancestral Samplerを避けるべきとき: 正確な再現が必要なワークフロー、バッチの一貫性が必要なとき、特定の要件があるクライアントワーク、完璧な結果を見つけてさらに精緻化したいときは避けます。

人気のAncestral Sampler:

ランダム性の制御: Ancestral samplerでseedを変更すると、deterministic samplerと比較して劇的に異なる結果が生成されます。小さなseed変更が大きなバリエーションを生み出します。

この特性により、ancestral samplerは単一のプロンプトから多様な出力を生成するのに優れています。

Step Countの挙動: Deterministic samplerでは、30ステップは20ステップの結果をより精緻化したものになります。Ancestral samplerでは、30ステップは20ステップとは完全に異なる構図を生成する可能性があります。

このnon-convergentな挙動は、最適化のために異なるワークフローアプローチを必要とします。

GPU最適化されたSampler - 実際に役立つのか?

ComfyUIには、DPM++ SDE GPUやDPM++ 2M SDE GPUのようなGPU専用sampler variantが含まれています。これらのvariantが実際に効果を発揮する状況を理解することで、ワークフローを効果的に最適化できます。

GPU最適化の意味: GPU最適化されたsamplerは、GPU並列処理能力をより効率的に活用するためにsampling計算を再構成します。GPU利用率を最大化するように計算パターンをシフトします。

パフォーマンスの利点:

GPU Variantが役立つとき: GPU最適化されたsamplerは、十分なVRAMを持つハイエンドGPU(RTX 3080以上)、高解像度での生成(1024px以上)、複雑なマルチモデル構成を使用するワークフローで意味のある効果を発揮します。

GPU Variantが重要でないとき: 予算GPU(GTX 1660、RTX 3060)では、パフォーマンスの差は最小限です。低解像度(512x512)では、オーバーヘッドが利点を打ち消します。VRAMが限られている場合、標準variantはメモリ使用量がわずかに少ないため、実際により良いパフォーマンスを発揮する可能性があります。

VRAMの考慮事項: GPU最適化されたsamplerは、速度向上のためにわずかに高いVRAM使用量とトレードオフします。VRAMの限界に近いシステムでは、このトレードオフがメモリ不足エラーを引き起こす可能性があります。

標準variantとGPU variantの両方を特定のハードウェアでテストして、どちらがより良いパフォーマンスを発揮するか判断してください。

実践的な推奨事項:

代替速度最適化: 生成速度が懸念事項なら、DPM++ SDEからEulerに切り替えることで、GPU最適化variant(15-25%)よりもはるかに大きな高速化(2-3倍)が得られます。品質コストは控えめです。

GPU variantを心配する前に、sampling algorithmの選択に焦点を当ててください。

異なるワークフローのためのSampler設定

異なるクリエイティブワークフローは、特定のsampler選択から恩恵を受けます。一般的なユースケースの実践的ガイダンスを紹介します。

Text-to-Image生成:

Image-to-Imageワークフロー:

InpaintingとOutpainting: DPM++ 2M Karrasは、inpainting作業で優れた結果を提供します。品質と適切な生成時間のバランスが取れています。シームレスなブレンドには25-30ステップを使用します。

Euler Aは、予測可能な継続よりも多様な拡張が欲しいクリエイティブなoutpaintingに適しています。

ControlNetワークフロー: ControlNet conditioningはsamplerの構図への影響を減少させます。強力なControlNet conditioningがある場合、15-20ステップのEulerは、25-30ステップのDPM++ 2Mと同等の結果を生成することがよくあります。

ControlNetワークフローでは速度を優先してください。構図制御はsampling品質ではなくconditioningから来るためです。

バッチ生成:

ビデオフレーム生成: ビデオワークフローはフレーム間の一貫性を必要とします。Deterministic sampler(Euler、DPM++ 2M)のみを使用してください。Ancestral samplerはフレーム間の不一致を生み出します。

20ステップのEulerは、マルチフレーム生成で良好な速度品質バランスを提供します。

低VRAM最適化: 限られたVRAMシステムでは、EulerはDPM++系よりも大幅にメモリを使用しません。4-6GB GPUの定番の選択肢です。

包括的な最適化テクニックについては、完全な低VRAMサバイバルガイドをご覧ください。

よくあるSamplerの間違いとその修正方法

経験豊富なユーザーでもsampler設定のエラーを犯します。最も一般的な間違いとその解決策を紹介します。

間違い1 - 過剰なStepの使用:

50ステップでEulerを実行しても、20ステップより品質は向上しません。時間を無駄にするだけです。Step countをsamplerの収束特性に合わせてください。

間違い2 - ワークフロータイプに間違ったSampler: 正確な再現が必要なワークフローでEuler A(non-convergent)を使用すると、フラストレーションが生じます。Deterministic samplerは再現可能な結果に不可欠です。

逆に、クリエイティブな探索でDPM++ 2Mを使用すると、ancestral samplerが提供する機会を逃します。

間違い3 - 速度品質トレードオフの無視: すべてのワークフローでDPM++ SDE Karrasを盲目的に使用すると、時間を無駄にします。高速反復ワークフローは、Eulerへの切り替えから大きな恩恵を受けます。

プレミアムsamplerは、品質が時間投資を正当化する最終レンダリングのために予約してください。

間違い4 - ハードウェアでテストしない:

間違い5 - 設定の盲目的なコピー: オンラインで共有されているワークフローは、実際の結果には不要なエキゾチックなsamplerを使用している場合があります。コアsampler(Euler、DPM++ 2M)は、多くの場合、より良いパフォーマンスで同一の結果を生成します。

複雑な設定が必要だと仮定する前に、簡略化されたsampler選択をテストしてください。

トラブルシューティングチェックリスト: 結果が間違って見える場合、25ステップでDPM++ 2M Karrasに切り替えてみてください。この既知の良好な設定は、samplerの選択が問題を引き起こしているかどうかを分離するのに役立ちます。さらなるトラブルシューティングヘルプについては、ComfyUI red boxトラブルシューティングガイドをご覧ください。

品質の違いについて記憶を信頼するのではなく、出力を並べて比較してください。

高度なSamplerテクニックと最適化

基本的な選択を超えて、高度なテクニックは特定の最適化目標のためにsamplerを活用します。

2段階Samplerワークフロー: 低解像度での初期生成に高速Euler samplerを使用し、アップスケーリング中にDPM++ SDE Karrasで精緻化します。これにより、反復の速度と最終出力の品質のバランスが取れます。

生成途中でのSampler切り替え: 高度なワークフローでは、生成途中でsamplerを切り替えることができます。初期構図には高速sampler(最初の10ステップ)、精緻化には品質sampler(最後の15ステップ)です。

このテクニックにはカスタムComfyUIノードが必要ですが、品質時間のトレードオフを最適化できます。

Denoising Strengthの相互作用:

解像度特有の最適化:

モデル特有の考慮事項: 一部のファインチューニングされたモデルは、ドキュメントで推奨samplerを言及しています。SDXLモデルは一般的にすべての標準samplerでうまく機能します。アニメモデルはsamplerの好みを示すことがあります。EulerとDPM++系の両方をテストしてください。

バッチ比較ワークフロー: 複数のsamplerで同一のプロンプトを同時に生成するワークフローを作成します。この実証的テストにより、特定のプロンプトとモデルにどのsamplerが最適かが明らかになります。ComfyUIバッチ比較テクニックについて詳しく学んでください。

推測を止めて、実際の品質の違いを測定し始めましょう。

結論 - Sampler選択のシンプル化

Samplerは最初は圧倒的に見えますが、実践的なガイダンスは簡単です。品質重視の作業にはDPM++ 2M Karras、速度と反復にはEuler、クリエイティブな探索にはEuler A、品質がすべてを凌駕するときはDPM++ SDE Karras、image-to-imageワークフローにはHeunを使用してください。

80/20ルール: DPM++ 2M Karrasは、ユースケースの80%を優れた形で処理します。エキゾチックな代替品を心配する前に、この1つのsamplerを徹底的に学んでください。

実際により重要なこと: プロンプトの品質と構図は、sampler選択よりも出力にはるかに大きな影響を与えます。プロンプトを精緻化する時間を費やす方が、すべてのsampler variantをテストするよりも大きな改善をもたらします。

いつ実験すべきか: 30ステップでDPM++ 2M Karrasを使用しても品質限界に達している場合、DPM++ SDE Karrasを試すことは調整する意味のある変数を提供します。それを超えると、samplerの制約ではなく、モデル能力の限界に達している可能性が高いです。

プラットフォームの代替: 技術的な最適化なしに優れた結果を求めるユーザーには、Apatero.comのようなプラットフォームがワークフロー要件に基づいて自動的に最適なsamplerを選択してくれます。

最終的な推奨事項: 25ステップでDPM++ 2M Karrasをデフォルトとして設定します。高速テストには15-20ステップでEulerを使用します。最終品質レンダリングにはDPM++ SDE Karrasに切り替えます。それ以外はすべてオプションの実験です。

あなたのクリエイティブビジョンは、どのsamplerを選択するかよりも無限に重要です。基本をマスターし、実証済みのデフォルトを使用し、あなたの作品をユニークにするものにエネルギーを集中させてください。

完璧なsamplerは、構図の悪い画像を救うことはできませんが、強力な構図はsampling methodに関係なく輝きます。