参数

• 提示 (str 或 List[str], 可选) — 用于引导图像生成的提示或提示列表。如果未定义，则需要传递 prompt_embeds。
• 提示_2 (str 或 List[str], 可选) — 要发送到 tokenizer_2 和 text_encoder_2 的提示或提示列表。如果未定义，则在两个文本编码器中都使用 prompt。
• 图像 (torch.Tensor, PIL.Image.Image, np.ndarray, List[torch.Tensor], List[PIL.Image.Image], List[np.ndarray], — List[List[torch.Tensor]], List[List[np.ndarray]] 或 List[List[PIL.Image.Image]]): 用于为生成提供引导 unet 的 ControlNet 输入条件。如果类型指定为 torch.Tensor，则按原样传递给 ControlNet。 PIL.Image.Image 也可以作为图像接受。输出图像的尺寸默认为 image 的尺寸。如果传递了高度和/或宽度，则 image 将相应调整大小。如果在 init 中指定了多个 ControlNet，则图像必须作为列表传递，以便每个列表元素都可以正确批处理以输入到单个 ControlNet。
• 高度 (int, 可选, 默认为 self.unet.config.sample_size * self.vae_scale_factor) — 生成的图像的像素高度。对于低于 512 像素的图像，stabilityai/stable-diffusion-xl-base-1.0 和未专门针对低分辨率进行微调的检查点不会很好地工作。
• 宽度 (int, 可选, 默认为 self.unet.config.sample_size * self.vae_scale_factor) — 生成的图像的像素宽度。对于低于 512 像素的图像，stabilityai/stable-diffusion-xl-base-1.0 和未专门针对低分辨率进行微调的检查点不会很好地工作。
• num_inference_steps (int, 可选, 默认值为 50) — 降噪步骤数。更多的降噪步骤通常会导致更高质量的图像，但会降低推理速度。
• timesteps (List[int], 可选) — 用于降噪过程的自定义时间步长，适用于在其 set_timesteps 方法中支持 timesteps 参数的调度器。如果未定义，将使用传递 num_inference_steps 时的默认行为。必须按降序排列。
• sigmas (List[float], 可选) — 用于降噪过程的自定义 sigma，适用于在其 set_timesteps 方法中支持 sigmas 参数的调度器。如果未定义，将使用传递 num_inference_steps 时的默认行为。
• denoising_end (float, 可选) — 当指定时，确定在有意提前终止降噪过程之前要完成的总降噪过程的比例（介于 0.0 和 1.0 之间）。因此，返回的样本将仍然保留由调度器选择的离散时间步长确定的大量噪声。denoising_end 参数应该最好在该管道构成“降噪器混合”多管道设置的一部分时使用，如 Refining the Image Output 中所述
• guidance_scale (float, 可选, 默认值为 5.0) — 更高的引导比例值会鼓励模型生成与文本 prompt 紧密相关的图像，但会降低图像质量。当 guidance_scale > 1 时启用引导比例。
• negative_prompt (str 或 List[str], 可选) — 用于引导图像生成中不应包含的内容的提示或提示。如果未定义，则需要传递 negative_prompt_embeds。在不使用引导 (guidance_scale < 1) 时忽略。
• negative_prompt_2 (str 或 List[str], 可选) — 用于引导图像生成中不应包含的内容的提示或提示。这将发送到 tokenizer_2 和 text_encoder_2。如果未定义，则 negative_prompt 将用于两个文本编码器。
• num_images_per_prompt (int, 可选, 默认值为 1) — 每个提示要生成的图像数量。
• eta (float, 可选, 默认值为 0.0) — 对应于 DDIM 论文中的参数 eta (η)。仅适用于 DDIMScheduler，在其他调度器中被忽略。
• generator (torch.Generator 或 List[torch.Generator], 可选) — 一个 torch.Generator 以使生成确定性。
• latents (torch.Tensor, 可选) — 由高斯分布采样的预先生成的噪声潜码，用作图像生成的输入。 可用于使用不同的提示微调相同的生成。 如果未提供，则通过使用提供的随机 generator 采样来生成潜码张量。
• prompt_embeds (torch.Tensor, 可选) — 预先生成的文本嵌入。 可用于轻松调整文本输入（提示加权）。 如果未提供，则从 prompt 输入参数生成文本嵌入。
• negative_prompt_embeds (torch.Tensor, 可选) — 预先生成的负面文本嵌入。 可用于轻松调整文本输入（提示加权）。 如果未提供，则从 negative_prompt 输入参数生成 negative_prompt_embeds。
• pooled_prompt_embeds (torch.Tensor, 可选) — 预先生成的池化文本嵌入。 可用于轻松调整文本输入（提示加权）。 如果未提供，则从 prompt 输入参数生成池化文本嵌入。
• negative_pooled_prompt_embeds (torch.Tensor, 可选) — 预先生成的负面池化文本嵌入。 可用于轻松调整文本输入（提示加权）。 如果未提供，则从 negative_prompt 输入参数生成池化 negative_prompt_embeds。 ip_adapter_image — (PipelineImageInput, 可选): 可选的图像输入，用于与 IP 适配器一起使用。
• ip_adapter_image_embeds (List[torch.Tensor], 可选) — IP-Adapter 的预生成图像嵌入。 它的长度应与 IP-Adapter 的数量相同。 每个元素应该是形状为 (batch_size, num_images, emb_dim) 的张量。 如果 do_classifier_free_guidance 设置为 True，则它应该包含负面图像嵌入。 如果未提供，则从 ip_adapter_image 输入参数计算嵌入。
• output_type (str, 可选, 默认为 "pil") — 生成的图像的输出格式。 在 PIL.Image 或 np.array 之间选择。
• return_dict (bool, 可选, 默认为 True) — 是否返回 StableDiffusionPipelineOutput 而不是一个简单的元组。
• cross_attention_kwargs (dict, 可选) — 如果指定，则将作为 kwargs 字典传递给 AttentionProcessor，如 self.processor 中所定义。
• controlnet_conditioning_scale (float 或 List[float], 可选, 默认为 1.0) — ControlNet 的输出在添加到原始 unet 中的残差之前，乘以 controlnet_conditioning_scale。 如果在 init 中指定了多个 ControlNet，则可以将相应的比例设置为列表。
• control_guidance_start (float 或 List[float], 可选, 默认值 0.0) — ControlNet 开始应用的总步数百分比。
• control_guidance_end (float 或 List[float], 可选, 默认值 1.0) — ControlNet 停止应用的总步数百分比。
• original_size (Tuple[int], 可选, 默认值 (1024, 1024)) — 如果 original_size 与 target_size 不相同，则图像将看起来像下采样或上采样。 如果未指定，original_size 默认设置为 (height, width)。 SDXL 的微调部分，如 https://huggingface.co/papers/2307.01952 的第 2.2 节中所述。
• crops_coords_top_left (Tuple[int], 可选, 默认值 (0, 0)) — crops_coords_top_left 可用于生成看起来从 crops_coords_top_left 位置向下“裁剪”的图像。 通常通过将 crops_coords_top_left 设置为 (0, 0) 来获得有利且居中的图像。 SDXL 的微调部分，如 https://huggingface.co/papers/2307.01952 的第 2.2 节中所述。
• target_size (Tuple[int], 可选, 默认值 (1024, 1024)) — 在大多数情况下，target_size 应设置为生成的图像的所需高度和宽度。 如果未指定，它将默认为 (height, width)。 SDXL 的微调部分，如 https://huggingface.co/papers/2307.01952 的第 2.2 节中所述。
• negative_original_size (Tuple[int], 可选, 默认值 (1024, 1024)) — 基于特定图像分辨率对生成过程进行负向条件化。 SDXL 的微调部分，如 https://huggingface.co/papers/2307.01952 的第 2.2 节中所述。 有关更多信息，请参阅此问题主题： https://github.com/huggingface/diffusers/issues/4208。
• negative_crops_coords_top_left (Tuple[int], 可选, 默认值 (0, 0)) — 基于特定裁剪坐标对生成过程进行负向条件化。 SDXL 的微调部分，如 https://huggingface.co/papers/2307.01952 的第 2.2 节中所述。 有关更多信息，请参阅此问题主题： https://github.com/huggingface/diffusers/issues/4208。
• negative_target_size (Tuple[int], 可选, 默认值 (1024, 1024)) — 基于目标图像分辨率对生成过程进行负向条件化。 在大多数情况下，它应该与 target_size 相同。 SDXL 的微调部分，如 https://huggingface.co/papers/2307.01952 的第 2.2 节中所述。 有关更多信息，请参阅此问题主题： https://github.com/huggingface/diffusers/issues/4208。
• clip_skip (int, 可选) — 从 CLIP 计算提示嵌入时要跳过的层数。 值为 1 表示将使用倒数第二层的输出计算提示嵌入。
• callback_on_step_end (Callable, PipelineCallback, MultiPipelineCallbacks, 可选) — 在推理过程中每个去噪步骤结束时调用的函数或PipelineCallback或MultiPipelineCallbacks的子类。 具有以下参数：callback_on_step_end(self: DiffusionPipeline, step: int, timestep: int, callback_kwargs: Dict)。callback_kwargs将包含由callback_on_step_end_tensor_inputs指定的张量列表。
• callback_on_step_end_tensor_inputs (List, 可选) — callback_on_step_end函数的张量输入列表。 列表中指定的张量将作为callback_kwargs参数传递。 您只能包含管道类._callback_tensor_inputs属性中列出的变量。

如果return_dict为True，则返回StableDiffusionPipelineOutput，否则返回包含输出图像的tuple。

参数

• prompt (str 或 List[str], 可选) — 要编码的提示
• prompt_2 (str 或 List[str], 可选) — 要发送到tokenizer_2和text_encoder_2的提示或提示。 如果未定义，则在两个文本编码器中使用prompt device — (torch.device): 火炬设备
• num_images_per_prompt (int) — 每个提示应生成的图像数量
• do_classifier_free_guidance (bool) — 是否使用分类器自由引导
• negative_prompt (str 或 List[str], 可选) — 用于引导图像生成的提示或提示。 如果未定义，则必须传递negative_prompt_embeds。 当不使用引导时忽略（即，如果guidance_scale小于1，则忽略）。
• negative_prompt_2 (str 或 List[str], 可选) — 用于引导图像生成的提示或提示，发送到 tokenizer_2 和 text_encoder_2。如果未定义，则 negative_prompt 用于两个文本编码器
• prompt_embeds (torch.Tensor, 可选) — 预生成的文本嵌入。可用于轻松调整文本输入，例如 提示权重。如果未提供，则文本嵌入将从 prompt 输入参数生成。
• negative_prompt_embeds (torch.Tensor, 可选) — 预生成的负文本嵌入。可用于轻松调整文本输入，例如 提示权重。如果未提供，则 negative_prompt_embeds 将从 negative_prompt 输入参数生成。
• pooled_prompt_embeds (torch.Tensor, 可选) — 预生成的池化文本嵌入。可用于轻松调整文本输入，例如 提示权重。如果未提供，则池化文本嵌入将从 prompt 输入参数生成。
• negative_pooled_prompt_embeds (torch.Tensor, 可选) — 预生成的负池化文本嵌入。可用于轻松调整文本输入，例如 提示权重。如果未提供，则池化 negative_prompt_embeds 将从 negative_prompt 输入参数生成。
• lora_scale (float, 可选) — 如果加载了 LoRA 层，则将应用于文本编码器所有 LoRA 层的 LoRA 比例。
• clip_skip (int, 可选) — 从 CLIP 计算提示嵌入时要跳过的层数。值为 1 表示将使用倒数第二层的输出计算提示嵌入。

参数

• w (torch.Tensor) — 使用指定的引导尺度生成嵌入向量，以随后丰富时间步长嵌入。
• embedding_dim (int,
• dtype (torch.dtype, 可选, 默认值为 torch.float32) — 生成的嵌入的数据类型。

形状为 (len(w), embedding_dim) 的嵌入向量。

参数

• 提示 (str 或 List[str], 可选) — 指导图像生成的提示或提示。如果未定义，则必须传递 prompt_embeds。 取而代之。
• 提示_2 (str 或 List[str], 可选) — 要发送到 tokenizer_2 和 text_encoder_2 的提示或提示。如果未定义，则两个文本编码器都使用 prompt
• 图像 (torch.Tensor, PIL.Image.Image, np.ndarray, List[torch.Tensor], List[PIL.Image.Image], List[np.ndarray], — List[List[torch.Tensor]], List[List[np.ndarray]] 或 List[List[PIL.Image.Image]]): 初始图像将用作图像生成过程的起点。还可以接受图像潜在变量作为 image，如果直接传递潜在变量，则不会再次编码。
• 控制图像 (torch.Tensor, PIL.Image.Image, np.ndarray, List[torch.Tensor], List[PIL.Image.Image], List[np.ndarray], — List[List[torch.Tensor]], List[List[np.ndarray]] 或 List[List[PIL.Image.Image]]): ControlNet 输入条件。ControlNet 使用此输入条件来生成对 Unet 的引导。如果类型指定为 torch.Tensor，则按原样传递给 ControlNet。 PIL.Image.Image 也可以作为图像接受。输出图像的尺寸默认为 image 的尺寸。如果传递了高度和/或宽度，则 image 会根据它们调整大小。如果在初始化中指定了多个 ControlNet，则图像必须作为列表传递，以便列表的每个元素都可以正确地批处理以输入到单个 controlnet 中。
• 高度 (int, 可选, 默认为 control_image 的大小) — 生成的图像的像素高度。低于 512 像素的任何内容对于 stabilityai/stable-diffusion-xl-base-1.0 和未针对低分辨率专门微调的检查点将无法正常工作。
• width (int, 可选, 默认值为控制图像的大小) — 生成的图像的像素宽度。低于 512 像素的图像对于 stabilityai/stable-diffusion-xl-base-1.0 以及没有专门针对低分辨率进行微调的检查点来说效果并不好。
• strength (float, 可选, 默认值为 0.8) — 指示变换参考 image 的程度。必须介于 0 到 1 之间。image 用作起点，strength 越高，添加的噪声越多。降噪步骤的数量取决于最初添加的噪声量。当 strength 为 1 时，添加的噪声最大，降噪过程将运行 num_inference_steps 中指定的全部迭代次数。值为 1 本质上会忽略 image。
• num_inference_steps (int, 可选, 默认值为 50) — 降噪步骤的数量。更多的降噪步骤通常会导致更高的图像质量，但会牺牲推理速度。
• guidance_scale (float, 可选, 默认值为 7.5) — 在 Classifier-Free Diffusion Guidance 中定义的引导比例。guidance_scale 被定义为 Imagen 论文 中方程 2. 的 w。通过设置 guidance_scale > 1 来启用引导比例。更高的引导比例鼓励生成与文本 prompt 密切相关的图像，通常是以降低图像质量为代价的。
• negative_prompt (str 或 List[str], 可选) — 不引导图像生成的提示或提示列表。如果没有定义，则必须传递 negative_prompt_embeds。在不使用引导的情况下会被忽略（即，如果 guidance_scale 小于 1 则会被忽略）。
• negative_prompt_2 (str 或 List[str], 可选) — 要发送到 tokenizer_2 和 text_encoder_2 的不引导图像生成的提示或提示列表。如果没有定义，则在两个文本编码器中都使用 negative_prompt
• num_images_per_prompt (int, 可选, 默认值为 1) — 每个提示要生成的图像数量。
• eta (float, 可选, 默认值为 0.0) — 对应 DDIM 论文中的参数 eta (η)：https://arxiv.org/abs/2010.02502。仅适用于 schedulers.DDIMScheduler，其他情况下会被忽略。
• generator (torch.Generator 或 List[torch.Generator], 可选) — 一个或多个 torch 生成器，用于使生成确定性。
• latents (torch.Tensor, 可选) — 预先生成的噪声潜变量，从高斯分布中采样，用作图像生成的输入。可以用来调整同一个生成过程，使用不同的提示。如果未提供，则会使用提供的随机 generator 采样生成潜变量张量。
• prompt_embeds (torch.Tensor, 可选) — 预生成的文本嵌入。可用于轻松调整文本输入，例如 提示权重。如果没有提供，将从 prompt 输入参数生成文本嵌入。
• negative_prompt_embeds (torch.Tensor, 可选) — 预生成的负面文本嵌入。可用于轻松调整文本输入，例如 提示权重。如果没有提供，将从 negative_prompt 输入参数生成 negative_prompt_embeds。
• pooled_prompt_embeds (torch.Tensor, 可选) — 预生成的池化文本嵌入。可用于轻松调整文本输入，例如 提示权重。如果没有提供，将从 prompt 输入参数生成池化文本嵌入。
• negative_pooled_prompt_embeds (torch.Tensor, 可选) — 预生成的负面池化文本嵌入。可用于轻松调整文本输入，例如 提示权重。如果没有提供，将从 negative_prompt 输入参数生成池化 negative_prompt_embeds。 ip_adapter_image — (PipelineImageInput, 可选): 可选的图像输入，用于与 IP 适配器协作。
• ip_adapter_image_embeds (List[torch.Tensor], 可选) — 预生成的 IP 适配器的图像嵌入。它应该是一个列表，长度与 IP 适配器的数量相同。每个元素应该是一个形状为 (batch_size, num_images, emb_dim) 的张量。如果 do_classifier_free_guidance 设置为 True，它应该包含负面图像嵌入。如果没有提供，则会从 ip_adapter_image 输入参数计算嵌入。
• output_type (str, 可选, 默认值为 "pil") — 生成的图像的输出格式。在 PIL: PIL.Image.Image 或 np.array 中选择。
• return_dict (bool, 可选, 默认值为 True) — 是否返回 StableDiffusionPipelineOutput 而不是普通元组。
• cross_attention_kwargs (dict, 可选) — 如果指定，则作为关键字参数字典传递给 diffusers.models.attention_processor 中 self.processor 下定义的 AttentionProcessor。
• controlnet_conditioning_scale (float 或 List[float], 可选, 默认值为 1.0) — ControlNet 的输出在添加到原始 Unet 中的残差之前，将乘以 controlnet_conditioning_scale。如果在初始化中指定了多个 ControlNet，则可以将相应的比例设置为列表。
• guess_mode (bool, 可选, 默认值为 False) — 在此模式下，ControlNet 编码器将尽力识别输入图像的内容，即使您删除所有提示。建议使用 3.0 到 5.0 之间的 guidance_scale。
• control_guidance_end (float 或 List[float], 可选, 默认值为 1.0) — 控制网络停止应用的总步数的百分比。
• original_size (Tuple[int], 可选, 默认值为 (1024, 1024)) — 如果 original_size 与 target_size 不相同，则图像将显示为向下或向上采样。 如果未指定，original_size 默认设置为 (height, width)。 SDXL 微调的一部分，如 https://huggingface.co/papers/2307.01952 的第 2.2 节中所述。
• crops_coords_top_left (Tuple[int], 可选, 默认值为 (0, 0)) — crops_coords_top_left 可用于生成看起来从 crops_coords_top_left 位置向下“裁剪”的图像。 通常通过将 crops_coords_top_left 设置为 (0, 0) 来获得有利的、居中的图像。 SDXL 微调的一部分，如 https://huggingface.co/papers/2307.01952 的第 2.2 节中所述。
• target_size (Tuple[int], 可选, 默认值为 (1024, 1024)) — 在大多数情况下，target_size 应设置为生成的图像的所需高度和宽度。 如果未指定，它将默认设置为 (height, width)。 SDXL 微调的一部分，如 https://huggingface.co/papers/2307.01952 的第 2.2 节中所述。
• negative_original_size (Tuple[int], 可选, 默认值为 (1024, 1024)) — 基于特定图像分辨率对生成过程进行负向调节。 SDXL 微调的一部分，如 https://huggingface.co/papers/2307.01952 的第 2.2 节中所述。 有关更多信息，请参阅此问题线程： https://github.com/huggingface/diffusers/issues/4208。
• negative_crops_coords_top_left (Tuple[int], 可选, 默认值为 (0, 0)) — 基于特定裁剪坐标对生成过程进行负向调节。 SDXL 微调的一部分，如 https://huggingface.co/papers/2307.01952 的第 2.2 节中所述。 有关更多信息，请参阅此问题线程： https://github.com/huggingface/diffusers/issues/4208。
• negative_target_size (Tuple[int], 可选, 默认值为 (1024, 1024)) — 基于目标图像分辨率对生成过程进行负向调节。 在大多数情况下，它应该与 target_size 相同。 SDXL 微调的一部分，如 https://huggingface.co/papers/2307.01952 的第 2.2 节中所述。 有关更多信息，请参阅此问题线程： https://github.com/huggingface/diffusers/issues/4208。
• aesthetic_score (float, 可选, 默认值为 6.0) — 通过影响正面文本条件来模拟生成图像的美学评分。 SDXL 微调的一部分，如 https://huggingface.co/papers/2307.01952 的第 2.2 节中所述。
• negative_aesthetic_score (float, 可选, 默认值为 2.5) — SDXL 微调的一部分，如 https://huggingface.co/papers/2307.01952 的第 2.2 节中所述。 可用于通过影响负面文本条件来模拟生成图像的美学评分。
• callback_on_step_end (Callable, PipelineCallback, MultiPipelineCallbacks, 可选) — 在推理过程中每个去噪步骤结束时调用的函数或 PipelineCallback 或 MultiPipelineCallbacks 的子类。带有以下参数：callback_on_step_end(self: DiffusionPipeline, step: int, timestep: int, callback_kwargs: Dict)。callback_kwargs 将包含由 callback_on_step_end_tensor_inputs 指定的所有张量列表。
• callback_on_step_end_tensor_inputs (List, 可选) — callback_on_step_end 函数的张量输入列表。列表中指定的张量将作为 callback_kwargs 参数传递。您只能包含在管道类 ._callback_tensor_inputs 属性中列出的变量。

StableDiffusionPipelineOutput 如果 return_dict 为 True，否则为包含输出图像的 tuple。

参数

• prompt (str 或 List[str], 可选) — 要编码的提示
• prompt_2 (str 或 List[str], 可选) — 要发送到 tokenizer_2 和 text_encoder_2 的提示或提示。如果未定义，则在两个文本编码器中都使用 prompt 设备 — (torch.device)：torch 设备
• num_images_per_prompt (int) — 每个提示应生成的图像数量
• do_classifier_free_guidance (bool) — 是否使用分类器免费引导
• negative_prompt (str 或 List[str], 可选) — 不引导图像生成的提示或提示。如果未定义，则必须传递 negative_prompt_embeds。在不使用引导时忽略（即，如果 guidance_scale 小于 1 则忽略）。
• negative_prompt_2 (str 或 List[str], 可选) — 要发送到 tokenizer_2 和 text_encoder_2 的不引导图像生成的提示或提示。如果未定义，则在两个文本编码器中都使用 negative_prompt
• prompt_embeds (torch.Tensor, 可选) — 预生成的文本嵌入。可用于轻松调整文本输入，例如 提示加权。如果未提供，文本嵌入将从 prompt 输入参数生成。
• negative_prompt_embeds (torch.Tensor, 可选) — 预生成的负面文本嵌入。 可用于轻松调整文本输入，例如提示加权。 如果未提供，则将从negative_prompt输入参数生成negative_prompt_embeds。
• pooled_prompt_embeds (torch.Tensor, 可选) — 预生成的池化文本嵌入。 可用于轻松调整文本输入，例如提示加权。 如果未提供，则将从prompt输入参数生成池化文本嵌入。
• negative_pooled_prompt_embeds (torch.Tensor, 可选) — 预生成的负面池化文本嵌入。 可用于轻松调整文本输入，例如提示加权。 如果未提供，则将从negative_prompt输入参数生成池化negative_prompt_embeds。
• lora_scale (float, 可选) — 如果加载了LoRA层，则将应用于文本编码器所有LoRA层的LoRA比例。
• clip_skip (int, 可选) — 计算提示嵌入时要从 CLIP 中跳过的层数。 值 1 意味着将使用倒数第二层的输出计算提示嵌入。

参数

• prompt (str 或 List[str], 可选) — 指导图像生成的提示或提示。如果未定义，则必须传递 prompt_embeds。 代替。
• prompt_2 (str 或 List[str], 可选) — 要发送到 tokenizer_2 和 text_encoder_2 的提示或提示。如果未定义，则 prompt 将在两个文本编码器中使用
• image (PIL.Image.Image) — Image 或表示将要进行修复的图像批次的张量，即 图像的一部分将被 mask_image 掩盖，并根据 prompt 重新绘制。
• mask_image (PIL.Image.Image) — Image 或表示图像批次的张量，以掩盖 image。蒙版中的白色像素将被重新绘制，而黑色像素将被保留。如果 mask_image 是 PIL 图像，它将在使用前被转换为单通道（亮度）。如果它是张量，它应该包含一个颜色通道（L）而不是 3，因此预期形状将为 (B, H, W, 1)。
• height (int, 可选, 默认值为 self.unet.config.sample_size * self.vae_scale_factor) — 生成的图像的高度（以像素为单位）。
• width (int, 可选, 默认值为 self.unet.config.sample_size * self.vae_scale_factor) — 生成的图像的宽度（以像素为单位）。
• padding_mask_crop (int, 可选, 默认值为 None) — 应用于图像和蒙版的裁剪边距大小。如果为 None，则不会对图像和 mask_image 应用裁剪。如果 padding_mask_crop 不为 None，则它将首先找到一个与图像具有相同纵横比并包含所有蒙版区域的矩形区域，然后根据 padding_mask_crop 扩展该区域。然后，图像和 mask_image 将根据扩展区域进行裁剪，然后再调整大小以适应原始图像大小以进行修复。当蒙版区域较小而图像较大且包含与修复无关的信息（如背景）时，这很有用。
• strength (float, 可选, 默认值为 0.9999) — 从概念上讲，表示要转换参考 image 的蒙版部分的程度。必须在 0 到 1 之间。image 将用作起点，向其添加更多噪声，越大 strength。去噪步骤的数量取决于最初添加的噪声量。当 strength 为 1 时，添加的噪声将达到最大，去噪过程将运行 num_inference_steps 中指定的全部迭代次数。因此，值为 1 本质上会忽略参考 image 的蒙版部分。请注意，如果 denoising_start 被声明为整数，则 strength 的值将被忽略。
• num_inference_steps (int, 可选, 默认值为 50) — 去噪步骤的数量。更多去噪步骤通常会导致更高质量的图像，但会以更慢的推理为代价。
• denoising_start (float, 可选) — 当指定时，表示在启动去噪过程之前要绕过的总去噪过程的比例（介于 0.0 和 1.0 之间）。因此，去噪过程的初始部分将被跳过，并假设传递的 image 是一个部分去噪的图像。请注意，当指定此参数时，strength 将被忽略。当此管道集成到“去噪器混合”多管道设置中时，denoising_start 参数特别有用，如 完善图像输出 中所述。
• denoising_end (float, 可选) — 当指定时，确定在故意过早终止之前要完成的总去噪过程的比例（介于 0.0 和 1.0 之间）。结果，返回的样本仍将保留大量噪声（大约最后的 20% 时间步长仍然需要）并且应该由一个后继管道去噪，该管道将 denoising_start 设置为 0.8，以便它只去噪最后 20% 的调度器。denoising_end 参数应该最好用于此管道作为“去噪器混合”多管道设置的一部分时，如 完善图像输出 中所述。
• guidance_scale (float, 可选, 默认值为 7.5) — 无分类器扩散引导 中定义的引导尺度。guidance_scale 被定义为 Imagen 论文 中的方程 2. 的 w。通过设置 guidance_scale > 1 来启用引导尺度。更高的引导尺度鼓励生成与文本 prompt 密切相关的图像，通常会以降低图像质量为代价。
• negative_prompt (str 或 List[str], 可选) — 用于引导图像生成的提示或提示。 如果未定义，则必须传递 negative_prompt_embeds。 当不使用引导时被忽略（即，如果 guidance_scale 小于 1，则被忽略）。
• negative_prompt_2 (str 或 List[str], 可选) — 用于引导图像生成的提示或提示，发送到 tokenizer_2 和 text_encoder_2。 如果未定义，则 negative_prompt 用于两个文本编码器
• prompt_embeds (torch.Tensor, 可选) — 预先生成的文本嵌入。 可用于轻松调整文本输入，例如 提示加权。 如果未提供，则将从 prompt 输入参数生成文本嵌入。
• negative_prompt_embeds (torch.Tensor, 可选) — 预先生成的负文本嵌入。 可用于轻松调整文本输入，例如 提示加权。 如果未提供，则将从 negative_prompt 输入参数生成 negative_prompt_embeds。 ip_adapter_image — (PipelineImageInput, 可选): 可选的图像输入，用于与 IP 适配器协同工作。
• ip_adapter_image_embeds (List[torch.Tensor], 可选) — 预先生成的 IP 适配器的图像嵌入。 它应该是与 IP 适配器数量相同的长度列表。 每个元素都应该是形状为 (batch_size, num_images, emb_dim) 的张量。 如果 do_classifier_free_guidance 设置为 True，它应该包含负图像嵌入。 如果未提供，则从 ip_adapter_image 输入参数计算嵌入。
• pooled_prompt_embeds (torch.Tensor, 可选) — 预先生成的池化文本嵌入。 可用于轻松调整文本输入，例如 提示加权。 如果未提供，则将从 prompt 输入参数生成池化文本嵌入。
• negative_pooled_prompt_embeds (torch.Tensor, 可选) — 预先生成的负池化文本嵌入。 可用于轻松调整文本输入，例如 提示加权。 如果未提供，则将从 negative_prompt 输入参数生成池化 negative_prompt_embeds。
• num_images_per_prompt (int, 可选，默认值为 1) — 每个提示要生成的图像数量。
• eta (float, 可选，默认值为 0.0) — 对应于 DDIM 论文中的参数 eta (η)：https://arxiv.org/abs/2010.02502。 仅适用于 schedulers.DDIMScheduler，其他情况会被忽略。
• generator (torch.Generator, 可选) — 一个或多个 torch 生成器，用于使生成确定性。
• latents (torch.Tensor, 可选) — 预先生成的噪声潜码，从高斯分布采样，用作图像生成的输入。 可用于使用不同的提示调整相同的生成。 如果未提供，将通过使用提供的随机 generator 采样来生成潜码张量。
• output_type (str, 可选，默认值："pil") — 生成的图像的输出格式。 在 PIL 之间选择：PIL.Image.Image 或 np.array。
• return_dict (bool, 可选，默认值：True) — 是否返回 StableDiffusionPipelineOutput 而不是普通元组。
• cross_attention_kwargs (dict, 可选) — 如果指定，则会传递给 diffusers.models.attention_processor 中 self.processor 下定义的 AttentionProcessor 的 kwargs 字典。
• original_size (Tuple[int], 可选，默认值：(1024, 1024)) — 如果 original_size 与 target_size 不相同，则图像看起来像是向下或向上采样。 如果未指定，则 original_size 默认值为 (width, height)。 SDXL 微调的一部分，如 https://huggingface.co/papers/2307.01952 的第 2.2 节中所述。
• crops_coords_top_left (Tuple[int], 可选，默认值：(0, 0)) — crops_coords_top_left 可用于生成看起来像是从 crops_coords_top_left 位置向下“裁剪”的图像。 通常通过将 crops_coords_top_left 设置为 (0, 0) 来获得有利的、居中的图像。 SDXL 微调的一部分，如 https://huggingface.co/papers/2307.01952 的第 2.2 节中所述。
• target_size (Tuple[int], 可选，默认值：(1024, 1024)) — 在大多数情况下，target_size 应设置为生成的图像的所需高度和宽度。 如果未指定，它将默认为 (width, height)。 SDXL 微调的一部分，如 https://huggingface.co/papers/2307.01952 的第 2.2 节中所述。
• aesthetic_score (float, 可选，默认值：6.0) — 用于通过影响正文本条件来模拟生成的图像的美学分数。 SDXL 微调的一部分，如 https://huggingface.co/papers/2307.01952 的第 2.2 节中所述。
• negative_aesthetic_score (float, 可选，默认值：2.5) — SDXL 微调的一部分，如 https://huggingface.co/papers/2307.01952 的第 2.2 节中所述。 可用于通过影响负文本条件来模拟生成的图像的美学分数。
• callback_on_step_end (Callable, PipelineCallback, MultiPipelineCallbacks, 可选) — 推理过程中每个去噪步骤结束时调用的函数或 PipelineCallback 或 MultiPipelineCallbacks 的子类。 以下参数： callback_on_step_end(self: DiffusionPipeline, step: int, timestep: int, callback_kwargs: Dict)。 callback_kwargs 将包含 callback_on_step_end_tensor_inputs 指定的所有张量列表。
• callback_on_step_end_tensor_inputs (List, 可选) — callback_on_step_end 函数的张量输入列表。 列表中指定的张量将作为 callback_kwargs 参数传递。 您只能包含在管道类 ._callback_tensor_inputs 属性中列出的变量。

~pipelines.stable_diffusion.StableDiffusionXLPipelineOutput 如果 return_dict 为 True，否则为 tuple. tuple. 返回元组时，第一个元素是包含生成的图像的列表。

参数

• prompt (str 或 List[str], 可选) — 要编码的提示
• prompt_2 (str 或 List[str], 可选) — 要发送到 tokenizer_2 和 text_encoder_2 的提示或提示。 如果未定义，则在两个文本编码器中使用 prompt 设备 — (torch.device): PyTorch 设备
• num_images_per_prompt (int) — 每个提示应生成的图像数量
• do_classifier_free_guidance (bool) — 是否使用分类器免费引导
• negative_prompt (str 或 List[str], 可选) — 不引导图像生成的提示或提示。 如果未定义，则必须改为传递 negative_prompt_embeds。 当不使用引导时被忽略（即，如果 guidance_scale 小于 1，则被忽略）。
• negative_prompt_2 (str 或 List[str], 可选) — 要发送到 tokenizer_2 和 text_encoder_2 的不引导图像生成的提示或提示。 如果未定义，则在两个文本编码器中使用 negative_prompt
• prompt_embeds (torch.Tensor, 可选) — 预生成的文本嵌入。 可用于轻松调整文本输入，例如提示权重。 如果未提供，则将从 prompt 输入参数生成文本嵌入。
• pooled_prompt_embeds (torch.Tensor, 可选) — 预生成的池化文本嵌入。可用于轻松调整文本输入，例如提示权重。 如果未提供，将从 prompt 输入参数生成池化文本嵌入。
• negative_pooled_prompt_embeds (torch.Tensor, 可选) — 预生成的负面池化文本嵌入。可用于轻松调整文本输入，例如提示权重。 如果未提供，将从 negative_prompt 输入参数生成负面池化文本嵌入。
• lora_scale (float, 可选) — 如果加载了 LoRA 层，则将应用于文本编码器所有 LoRA 层的 LoRA 比例。
• clip_skip (int, 可选) — 在计算提示嵌入时要从 CLIP 跳过的层数。 值为 1 意味着将使用倒数第二层的输出计算提示嵌入。