Denoising Strength（降噪强度，常缩写为 denoising strength 或简称 DS）是 Stable Diffusion 图生图（img2img）流程中最核心的参数之一。它控制的是模型对输入图像的重绘幅度：数值越低，输出越接近原图；数值越高，模型对原图的改动越大。很多初学者把这个参数当成一个简单的滑块随意拖动，结果要么改了半天画面毫无变化，要么一张精心准备的原图被改得完全认不出来。理解它背后的工作原理，才能真正做到精准控制。
一、从扩散模型原理理解降噪强度到底在做什么
Stable Diffusion 属于潜在扩散模型（Latent Diffusion Model），它的生成过程是先对一张随机噪声图逐步去噪，最终还原出一张清晰的图像。图生图的过程可以理解为：程序先对你的原图添加一定比例的高斯噪声，然后再让模型从这些噪声中一步步去噪重建。Denoising Strength 决定的就是“加多少噪声”这个比例，取值范围通常是 0 到 1。
当 DS 设为 0.2 时，原图只被加入很轻的噪声，模型去噪后基本沿着原图的轮廓走，画面结构、构图、人物五官都得以保留，只有一些纹理细节会被重新生成。而当 DS 设为 0.8 以上时，原图被加入大量噪声，图像的大部分结构信息已经被破坏，模型去噪时主要依赖提示词和采样器的引导来“重新创作”，原图这时候更像一个参考草图，甚至只剩下大致的色块分布。
可以用一个直观的类比来理解：DS 相当于“修改作文时的改写力度”。0.2 是只改几个错别字，0.5 是重写部分段落但保留大纲，0.9 则是只看了眼题目就重新写了一篇。所以调整 DS 的本质，是在“内容保留”和“生成自由度”之间做权衡，不存在一个万能的最佳值，只有适合当前任务区间的说法。
二、不同任务场景下的推荐参数区间
明确任务目标后再设置 DS，比反复试错高效得多。下面按常见场景给出参考区间和思路分析。
1. 人像精修与画质增强（0.2 ~ 0.4）
如果你的目标是修复老照片、提升皮肤质感、消除压缩噪点，同时要求人物五官完全不能变，DS 应该控制在 0.2 到 0.35 之间。这个区间内模型只会重建细节层面的内容，脸型、发型、姿态都会被锁定。需要注意的是，DS 过低时修复效果会不明显，可以适当提高采样步数来补偿，比如从 20 步提到 30 步，让去噪过程更细腻。
2. 风格迁移与整体改造（0.5 ~ 0.7）
想把一张写实照片转成油画、动漫或赛博朋克风格，但又不希望构图大变，0.5 到 0.7 是比较安全的区间。这个幅度下原图的构图骨架还在，但光影、色彩、材质会被提示词主导重绘。实际操作中建议先从 0.55 开始试，观察结果后再以 0.05 为步长微调，这样能快速找到风格化程度和内容保留的平衡点。
3. 参考图重构与创意生成（0.75 ~ 0.95）
当原图只是提供色彩倾向或大致氛围参考时，可以大胆把 DS 拉到 0.8 以上。此时提示词成为主要驱动力，适合做创意探索。但要注意 DS 接近 1 时，图生图就基本等价于文生图（txt2img），原图的作用趋近于零，这时不如直接用文生图配合 ControlNet 来控制构图，效果会更可控。
以下是一段调用 API 做图生图时设置降噪强度的示例代码：
import requests
url = "http://127.0.0.1:7860/sdapi/v1/img2img"
payload = {
"init_images": ["base64编码的原图数据"],
"prompt": "masterpiece, best quality, oil painting style",
"negative_prompt": "lowres, bad anatomy",
"denoising_strength": 0.55, # 降噪强度：控制重绘幅度
"steps": 30, # 采样步数：实际生效步数为 30*0.55
"cfg_scale": 7,
"sampler_name": "DPM++ 2M Karras"
}
response = requests.post(url, json=payload)
print(response.status_code)三、降噪强度与其他参数的联动关系
DS 不是孤立工作的，它和采样步数、CFG Scale 之间存在微妙的联动，忽略这些关系常常会导致调参时出现“改了 A 坏了 B”的困境。
首先是与采样步数的关系。实际执行的去噪步数等于总步数乘以 DS。比如设置 30 步、DS 为 0.4，模型实际只执行约 12 步去噪。这意味着低 DS 场景下，如果步数也设置得很低，比如 10 步乘以 0.3 只有 3 步，去噪会严重不足，画面容易出现模糊或噪点残留。反过来，高 DS 配高步数会显著拉长生成时间，收益却递减。一个实用原则是：DS 越低，步数要适当提高，保证实际去噪步数不低于 15 步左右。
其次是与 CFG Scale 的关系。CFG Scale 控制模型对提示词的服从程度。高 DS 加高 CFG 容易出现过饱和、画面僵硬的问题，因为模型一方面有很强的重绘自由度，另一方面又被提示词强烈约束。而低 DS 时 CFG 的影响相对有限，因为大部分内容都来自原图。建议高 DS 场景把 CFG 控制在 5 到 8 之间，避免画面过度锐化。
最后提一下局部重绘（Inpainting）。在 inpaint 模式里 DS 同样关键：0.4 以下适合无缝修复瑕疵，0.6 以上适合重画整个区域。此外蒙版模糊（Mask Blur）要和 DS 配合，DS 高时适当提高模糊值，能让重绘区域和原图的过渡更自然。
四、常见踩坑点与调参建议
实际使用中有几个高频问题值得注意。第一，DS 并非线性对应“变化量”。从 0.3 提到 0.5 的变化幅度，明显小于从 0.7 提到 0.9，高区间对画面的影响是指数级放大的，所以高区间调参要更小心，建议以 0.03 到 0.05 的粒度微调。第二，不同采样器对同一 DS 的敏感度不同，DDIM 在低步数下表现更稳定，而 Euler a 在高 DS 下更有创造性，换采样器后需要重新校准 DS。
第三，如果既想大幅修改画面风格又想锁住构图，与其硬调 DS，不如换一种思路：把 DS 拉高到 0.8 以上，同时用 ControlNet 的 Canny 或 Depth 模型提取原图的边缘或深度信息来约束生成。这种组合可以做到“内容结构来自原图，画面风格完全重绘”，是目前兼顾两个极端需求最实用的方案。
总结一下调参心法：先明确任务属于精修、风格化还是重构，选定对应区间；再根据实际去噪步数补足步数；最后结合出图效果小粒度微调。掌握这套流程后，DS 就不再是碰运气的滑块，而是可控的创作工具。
Denoising StrengthAI图像处理Stable Diffusion修改时间：2026-09-08 19:27:00