콘텐츠로 이동

문서 지도

KSampler·KSamplerAdvanced·SamplerCustomAdvanced

이름이 비슷한 세 노드의 역할과 실제 입력을 구분합니다.

이 장에서 배우는 것

  • KSampler는 일반적인 생성과 이미지 변형에 필요한 설정을 한 노드에 모아 둡니다.
  • KSamplerAdvanced는 같은 샘플링 과정을 사용하면서 노이즈 추가 여부와 시작·종료 스텝을 직접 지정합니다.
  • SamplerCustomAdvanced는 노이즈·guider·sampler·sigma schedule을 각각 별도 노드에서 받아 조립합니다.

대상 KSampler를 사용해 봤고 샘플링 과정을 더 세밀하게 나누려는 사용자 · 사전 이해 Seed, Steps, CFG, Sampler, Scheduler, Denoise · 시간 15분

이럴 때 읽으세요 두 단계 샘플링, Refiner, sigma 분할 또는 커스텀 guider가 필요할 때.

1. KSampler

일반적인 Text-to-Image와 Image-to-Image 작업의 기본 노드입니다.

주요 입력

입력 역할
model 디노이징 모델
seed 시작 노이즈를 만드는 기준값
steps 추론에서 사용할 샘플링 스텝 수
cfg classifier-free guidance 강도
sampler_name 한 단계에서 latent를 갱신하는 알고리즘
scheduler 스텝별 sigma를 배치하는 방식
positive / negative 조건과 반대 조건
latent_image 시작 latent와 크기
denoise 전체 sigma 구간 중 사용할 비율 
%%{init: {"flowchart": {"curve": "linear", "nodeSpacing": 55, "rankSpacing": 70, "padding": 12}, "themeVariables": {"fontSize": "14px"}} }%%
graph LR
    M[MODEL] --> K[KSampler]
    P["positive<br/>CONDITIONING"] --> K
    N["negative<br/>CONDITIONING"] --> K
    L[LATENT] --> K
    K --> O[LATENT]

denoise=1.0은 전체 샘플링 구간을 사용합니다. 1.0보다 낮추면 뒤쪽 일부 구간만 사용하므로 기존 latent의 구조를 더 많이 유지할 수 있습니다.

2. KSamplerAdvanced

KSamplerAdvanced는 기본 KSampler와 같은 핵심 입력을 사용하면서 다음 제어를 직접 노출합니다.

추가 입력 역할
add_noise 이 단계에서 새 노이즈를 추가할지 선택
noise_seed 추가할 노이즈의 Seed
start_at_step 전체 스케줄에서 시작할 스텝
end_at_step 전체 스케줄에서 멈출 스텝
return_with_leftover_noise 다음 샘플링 단계가 이어받을 노이즈를 남길지 선택

기본 KSampler의 denoise 대신 시작·종료 스텝을 직접 지정한다는 점이 핵심입니다.

두 단계 샘플링 개념

%%{init: {"flowchart": {"curve": "linear", "nodeSpacing": 55, "rankSpacing": 70, "padding": 12}, "themeVariables": {"fontSize": "14px"}} }%%
graph LR
    A["1단계 KSamplerAdvanced"] -->|노이즈가 남은 LATENT| B["2단계 KSamplerAdvanced"]

각 단계의 설정은 다음과 같이 대응시킵니다.

설정 1단계 2단계
add_noise enable disable
start_at_step 0 1단계의 end_at_step과 같은 값
end_at_step 분할 지점 전체 steps
return_with_leftover_noise enable disable

두 단계는 같은 전체 steps와 호환되는 스케줄을 사용해야 합니다. 분할 지점 전후에서 모델이나 conditioning을 바꿀 수 있지만, 결과가 자동으로 더 좋아지는 것은 아닙니다.

노이즈를 두 번 넣지 않기

두 번째 단계에서 add_noise=enable로 두면 첫 단계의 중간 결과에 새 노이즈가 추가되어 자연스럽게 이어지지 않을 수 있습니다.

3. SamplerCustomAdvanced

SamplerCustomAdvanced에는 Seed, CFG, sampler 이름, scheduler 이름을 직접 입력하는 위젯이 없습니다. 다음 다섯 입력을 각각 별도 노드에서 받습니다.

입력 데이터 타입 일반적인 공급 노드
noise NOISE RandomNoise 또는 DisableNoise
guider GUIDER CFGGuider, BasicGuider 등
sampler SAMPLER KSamplerSelect
sigmas SIGMAS BasicScheduler, KarrasScheduler, 모델 전용 Scheduler
latent_image LATENT Empty Latent 또는 VAE Encode 결과

출력은 output과 denoised_output 두 가지입니다. 일반적인 후속 VAE Decode에는 먼저 output을 사용합니다.

기본 조립 예

SamplerCustomAdvanced 조립도. RandomNoise가 noise, CFGGuider가 guider, KSamplerSelect가 sampler, BasicScheduler가 sigmas, Empty Latent Image가 latent_image를 공급하고 MODEL은 CFGGuider와 BasicScheduler 두 곳으로 갈라집니다.

다섯 입력이 각각 다른 노드에서 옵니다. 이미지를 선택하면 원본 크기로 볼 수 있습니다.

다섯 입력이 각각 다른 노드에서 오고, 타입도 모두 다릅니다. 하나라도 비면 실행되지 않습니다.

이 방식의 장점은 품질이 자동으로 높아지는 것이 아니라 구성 요소를 분리해 교체·분할·검사할 수 있다는 점입니다.

4. Sigma와 Scheduler 노드

Sigma는 샘플링 시점의 노이즈 수준을 나타냅니다. SamplerCustomAdvanced는 sigma 목록을 입력받아 사용할 뿐, sigma_min, sigma_max, rho를 직접 설정하지 않습니다.

BasicScheduler

입력 역할
model 모델에 맞는 sigma 범위를 확인
scheduler normal, karras, simple 등 선택
steps sigma 구간 수
denoise 사용할 sigma 구간 비율

KarrasScheduler

sigma_max, sigma_min, rho, steps를 직접 지정해 SIGMAS를 출력합니다. 이 값들은 KarrasScheduler의 설정이며 SamplerCustomAdvanced의 직접 입력이 아닙니다.

임의 범위를 복사하지 않기

모델마다 유효한 sigma 범위와 sampling 설정이 다릅니다. 다른 모델의 sigma_min/max 값을 그대로 복사하면 결과가 무너지거나 비교 의미가 없어질 수 있습니다.

Sigma 분할

SplitSigmas 또는 모델에 맞는 분할 노드를 사용하면 하나의 sigma 스케줄을 두 구간으로 나누어 두 SamplerCustomAdvanced 단계에 전달할 수 있습니다.

%%{init: {"flowchart": {"curve": "linear", "nodeSpacing": 55, "rankSpacing": 70, "padding": 12}, "themeVariables": {"fontSize": "14px"}} }%%
graph LR
    SC[Scheduler] -->|SIGMAS| SP[SplitSigmas]
    SP -->|앞 구간| S1["1단계<br/>SamplerCustomAdvanced"]
    SP -->|뒤 구간| S2["2단계<br/>SamplerCustomAdvanced"]
    S1 -->|LATENT| S2

5. 선택 기준과 실험

목적 선택
일반 Text-to-Image·Image-to-Image KSampler
시작/종료 스텝 제어, 두 단계 연결 KSamplerAdvanced
noise·guider·sampler·sigmas를 별도로 조립 SamplerCustomAdvanced
sigma 범위 직접 설계 Scheduler 노드 + SamplerCustomAdvanced

한 변수 실험

먼저 KSampler로 기준 결과를 만듭니다. 같은 모델·프롬프트·Seed·Steps를 유지한 뒤, 동일한 sampler와 sigma schedule을 별도 노드로 조립해 SamplerCustomAdvanced 결과와 비교합니다.

관찰할 것은 “어느 노드가 더 고품질인가”가 아니라 다음 두 가지입니다.

  • 같은 입력과 스케줄에서 결과가 대응하는가?
  • 분리된 noise·guider·sigmas 중 어느 요소를 바꿀 필요가 있는가?

문제 해결

증상 확인
sigma_min 입력을 찾을 수 없음 Sampler가 아니라 KarrasScheduler를 추가했는지 확인
start_at_step이 없음 SamplerCustomAdvanced가 아니라 KSamplerAdvanced를 찾는 상황인지 확인
두 번째 단계에서 결과가 크게 바뀜 두 번째 단계의 add_noise가 disable인지 확인
SamplerCustomAdvanced가 실행되지 않음 NOISE·GUIDER·SAMPLER·SIGMAS·LATENT 다섯 타입이 모두 연결됐는지 확인
단계 연결부가 튐 두 단계가 같은 전체 스케줄을 분할해 사용하는지 확인

복습 Q&A

Q. 일반 생성도 SamplerCustomAdvanced로 바꾸면 품질이 좋아지나요?
A. 아닙니다. 같은 sampler와 sigma schedule이면 노드를 분리했다는 사실만으로 품질이 올라가지 않습니다.

Q. Refiner 연결에 필요한 시작·종료 스텝은 어디에 있나요?
A. KSamplerAdvanced의 start_at_step과 end_at_step에 있습니다.

Q. SamplerCustomAdvanced의 Seed는 어디서 정하나요?
A. 일반적으로 RandomNoise 노드에서 정해 NOISE 입력으로 전달합니다.

완료 기준

네 가지를 모두 만족했다면 이 장을 끝냈습니다.

  • 세 노드의 이름과 용도를 구분할 수 있다.
  • add_noise/start_at_step이 KSamplerAdvanced 입력임을 설명할 수 있다.
  • SamplerCustomAdvanced의 다섯 입력을 각각 올바른 타입으로 연결할 수 있다.
  • sigma_min/max/rho가 Scheduler 설정임을 설명할 수 있다.

다음 단계

문서 지도