无需重训扩散模型
直接复用已有的文本到图像扩散模型作为监督信号，不针对新任务重新训练生成模型，降低了对三维或特定领域标注数据的依赖。
Score Distillation Sampling
AI TOOL PROFILE工具资料把预训练扩散模型当作评分器，用梯度指导任意图像表示生成。
价格官网未标价
平台—
归类AI 绘画生图
收录2026-10-11
复核2026-10-11
编辑评分
4.2 / 5
★★★★☆
Score Distillation Sampling编辑总结
Score Distillation Sampling（SDS）是一类把已经训练好的图像扩散模型当成「评分函数」来用的优化方法。它不改动扩散模型本身，而是让另一个可微的图像表示（比如三维模型参数、纹理图或可训练图像）去询问扩散模型：「这样画，像不像文本描述的样子？」扩散模型给出一个梯度方向，这个方向被用来更新图像表示。由此，文本到三维、文本到纹理、文本驱动的图像编辑等任务都能借用二维扩散模型的知识。它的优势在于不用为每个任务重新训练生成模型，短板是梯度信号噪声较大，容易出现过度平滑或色彩饱和，需要配合负提示、时间步调度等技巧抑制。
Score Distillation Sampling是什么？
Score Distillation Sampling 是一种利用预训练图像扩散模型来指导其他图像表示优化的方法。扩散模型本身只学会了对含噪图像去噪，而 SDS 把这个能力「借」出来：它让一个可微的渲染器或图像参数输出一张图，加噪后交给扩散模型，扩散模型算出的去噪方向反过来更新图像参数。整个过程扩散模型冻结不动，被优化的是你真正想要的那个表示。
这种方法在文本到三维生成里最为常见。一个三维表示（如神经辐射场或三维高斯）先渲染成二维图像，SDS 负责判断这张渲染图与文本描述是否一致，并把差距变成梯度回传，逐步让三维模型长出符合提示词的形状和纹理。因为不需要三维训练数据，SDS 让「用二维扩散模型做三维生成」成为可能，后续许多文生三维工作都建立在它之上。
对研究者来说，SDS 是一个可以嵌入自己优化流程的损失项；对三维创作者或工具开发者来说，它通常是某个文生三维或纹理生成工具内部的训练/生成机制，而不是一个独立可点击的界面产品。它的效果高度依赖所用的扩散模型、时间步采样策略和正则化手段，调参空间较大。
Score Distillation Sampling核心功能
可微表示优化
被优化的对象可以是神经辐射场、三维高斯、纹理贴图或单张可训练图像，只要能从表示渲染出二维图并让梯度回传即可接入。
文本提示驱动
以自然语言提示为条件，扩散模型判断渲染结果与描述的匹配程度，使优化方向受文本引导，可用于文生三维、纹理生成和图像编辑。
可作为损失项嵌入
SDS 通常以损失函数形式出现，研究者可把它与其他重建损失、正则项组合，嵌入自己的优化循环中，而不是作为端到端成品工具使用。
依赖时间步调度
不同扩散时间步提供的梯度侧重不同，需要设计采样范围与调度策略，否则容易出现细节缺失或整体过平滑。
Score Distillation Sampling适合谁用？
三维生成研究者
推荐需要在没有三维训练数据的情况下，用二维扩散先验驱动神经辐射场或高斯表示，SDS 是可改可调的基线优化目标。
扩散模型方向学生
推荐想理解扩散先验如何迁移到非图像任务，SDS 的梯度形式和实现相对直接，适合作为实验起点。
纹理与材质创作者
有条件若所用工具底层采用 SDS 类方法，纹理结果可能偏平滑，需要额外细节增强或后处理，不宜直接当作成品贴图。
追求开箱可用的普通用户
不推荐SDS 是方法而非产品界面，需要自己搭优化流程和调参，不适合没有编程与训练环境的使用者。
Score Distillation Sampling优点和缺点
优点
- 复用已有扩散模型，不必为三维或新任务重训生成模型。
- 与可微渲染结合，能驱动神经辐射场、三维高斯、纹理等多种表示。
- 以文本提示为条件，支持文生三维、纹理生成和图像编辑等方向。
- 实现相对直接，常作为损失项嵌入既有优化流程。
缺点
- 梯度信号噪声大，优化常出现过度平滑或颜色饱和。
- 收敛慢，单次生成需要较多迭代与算力。
- 效果依赖扩散模型与时间步调度，调参空间大。
- 本质是优化方法，需要自行搭建可微渲染与训练环境。
Score Distillation Sampling常见问题
Score Distillation Sampling 是一个能直接打开使用的工具吗？＋
不是。它是一类优化方法，通常以损失函数或训练目标的形式出现在文生三维、纹理生成等研究代码里。使用者需要自己准备可微渲染表示、扩散模型和优化循环，才能跑起来。你看到的成品文生三维工具，底层可能用了它，但对外呈现的是完整产品而非这个方法本身。
它和直接用扩散模型生成图片有什么区别？＋
普通文生图是扩散模型自己从噪声一步步去噪出图像，输出就是一张图。SDS 则把扩散模型冻结，用它给别的表示（如三维模型）提供梯度方向，最终产物是三维模型或纹理，而不是单张图片。扩散模型在图里是生成器，在 SDS 里更像评分器。
为什么用它生成的三维结果常常看起来很平滑？＋
SDS 的梯度是从扩散模型去噪过程中估计出来的，本身带有较大噪声，优化时容易把高频细节抹掉，表现为过平滑；同时颜色也容易偏向饱和。常见缓解手段包括引入负提示、调整时间步采样范围、加入重建或正则损失，但这些只能减轻，不能完全消除。
想上手需要具备什么基础？＋
需要能读懂扩散模型的基本原理，熟悉 PyTorch 等训练框架，并理解可微渲染如何把三维表示投影成二维图。因为要自己组装优化循环、选时间步和调损失权重，没有一定深度学习工程经验会较难推进。建议先从已有开源实现跑通，再改结构。
Score Distillation Sampling竞品对比
| 工具 | 编辑评分 | 价格 | 核心功能 | 平台 |
|---|---|---|---|---|
| Score Distillation Sampling本工具 | 4.2 | 未标价 | 无需重训扩散模型；可微表示优化；文本提示驱动；可作为损失项嵌入 | — |
| VMix | — | 未标价 | 文本到图像扩散模型的美学质量提升工具 | — |
| FreeU | — | 未标价 | 改进扩散模型采样质量的免费方法 | Web |
| TokenVerse | — | 未标价 | TokenVerse 是一种基于预训练文本到图像扩散模型的多概念个性化方法 | — |
| Pony Diffusion | — | 开放访问，可免费使用，受 CreativeML OpenRAIL-M 许可证约束 | 多功能文本到图像扩散模型，生成高质量非真实感图像 | Web |
| Flex.2-preview | — | 未标价 | 开放源代码的 8B 参数文本到图像扩散模型 | — |
