표본 추출 단계 — 속도와 품질의 득실 · 생성형 미디어의 기초

피파 한 줄 정리: 단계는 많을수록 좋은 것이 아니야. 대개 30~50 부근에서 품질이 평평해지고, Schnell·Flash 같은 빠른 모델은 4~8단계면 충분해.

Sampling steps 또는 inference steps는 순수 노이즈에서 깨끗한 이미지까지 몇 번에 나눠 노이즈를 제거할지 정해. 속도와 품질을 맞바꾸지만 “많을수록 좋다”는 단순한 관계는 아니야.

10초 스케치는 큰 동작만, 30초 스케치는 비례와 명암까지, 5분 그림은 세부까지 담아. 하지만 같은 스케치에 한 시간을 쓰면 이미 좋은 부분을 집착하듯 만질 뿐 개선은 작아져.

단계:    5      10      20      30      50      100
품질:   😰      🤔      😊      😄      😄       😄
       거침    형태    좋은 세부  훌륭함   비슷함   한계효용 감소
속도: ⚡⚡⚡⚡⚡ ⚡⚡⚡⚡  ⚡⚡⚡    ⚡⚡      ⚡       🐌

5~10단계: 프롬프트 방향이 맞는지 빨리 보는 미리보기. 구도는 보이지만 세부는 거칠어.
15~25단계: 대부분 작업의 적정점. FLUX Schnell은 4~8단계, FLUX Dev는 20~30단계에서 잘 작동해.
30~50단계: 복잡한 장면과 세부에 조금 더 도움을 줄 수 있지만 20~25단계보다 개선 폭은 작아.
50단계 초과: 눈에 거의 안 보이는 개선을 위해 생성 시간을 지불하는 경우가 많아.

Scheduler가 일의 배분을 바꾼다

각 단계에서 노이즈를 얼마나 제거할지는 scheduler 또는 sampler가 정해. 어떤 것은 초기에 큰 변화를 몰아 빠르게 수렴하고, 어떤 것은 고르게 다듬으며, DPM++ 2M과 Euler A처럼 적은 단계에 맞춘 것도 있어. 좋은 scheduler의 20단계가 나쁜 scheduler의 50단계보다 나을 수 있어.

핵심 정리

단계 수는 속도와 품질을 맞바꾸지만 많다고 언제나 좋지는 않다.
대부분 모델의 적정점은 20~30단계이며 10 미만은 미리보기, 50 초과는 드물게 필요하다.
Scheduler는 각 단계의 일을 배분하므로 단계 수만큼 중요하다.
탐색에는 적은 단계, 최종 후보에는 높은 단계를 써서 시간을 아껴.

Code

예시 코드·python

# Pseudocode: comparing step counts
prompt = "cyberpunk street market, neon rain, wide angle"

for steps in [8, 15, 25, 40]:
    image = generate(
        prompt=prompt,
        steps=steps,
        seed=42,  # same seed for fair comparison
        scheduler="DPM++ 2M Karras"
    )
    save(image, f"market_{steps}steps.png")
# Compare side by side — you'll often see 25 and 40 are nearly identical

표본 추출 단계 — 속도와 품질의 득실

Scheduler가 일의 배분을 바꾼다

Code

External links

Exercise

Progress

댓글 0