参数

• prompt (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，则必须传递 prompt_embeds。
• prompt_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 prompt 将在两个文本编码器中使用
• height (int, 可选，默认为 self.unet.config.sample_size * self.vae_scale_factor) — 生成图像的像素高度。默认设置为 1024 以获得最佳效果。对于 stabilityai/stable-diffusion-xl-base-1.0 以及未在低分辨率下进行专门微调的检查点，低于 512 像素的任何值都无法很好地工作。
• width (int, 可选，默认为 self.unet.config.sample_size * self.vae_scale_factor) — 生成图像的像素宽度。默认设置为 1024 以获得最佳效果。对于 stabilityai/stable-diffusion-xl-base-1.0 以及未在低分辨率下进行专门微调的检查点，低于 512 像素的任何值都无法很好地工作。
• num_inference_steps (int, 可选，默认为 50) — 去噪步骤的数量。更多去噪步骤通常会带来更高质量的图像，但会牺牲推理速度。
• timesteps (List[int], 可选) — 用于去噪过程的自定义时间步长，调度器在其 set_timesteps 方法中支持 timesteps 参数。如果未定义，则将使用传递 num_inference_steps 时的默认行为。必须按降序排列。
• sigmas (List[float], 可选) — 用于去噪过程的自定义 sigmas，调度器在其 set_timesteps 方法中支持 sigmas 参数。如果未定义，则将使用传递 num_inference_steps 时的默认行为。
• denoising_end (float, 可选) — 指定后，确定在有意提前终止之前要完成的总去噪过程的分数（介于 0.0 和 1.0 之间）。 因此，返回的样本仍将保留大量噪声，这由调度器选择的离散时间步长决定。 当此 pipeline 构成“去噪器混合”多 pipeline 设置的一部分时，应理想地利用 denoising_end 参数，如 优化图像输出 中所述
• guidance_scale (float, 可选，默认为 5.0) — Classifier-Free Diffusion Guidance 中定义的引导缩放。 guidance_scale 定义为 Imagen Paper 的公式 2 中的 w。 通过设置 guidance_scale > 1 启用引导缩放。较高的引导缩放鼓励生成与文本 prompt 紧密相关的图像，通常以降低图像质量为代价。
• negative_prompt (str 或 List[str], 可选) — 不用于引导图像生成的提示或提示列表。如果未定义，则必须改为传递 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) — 不用于引导图像生成的提示或提示列表，将发送到 tokenizer_2 和 text_encoder_2。如果未定义，则 negative_prompt 将在两个文本编码器中使用
• num_images_per_prompt (int, 可选, 默认为 1) — 每个提示生成的图像数量。
• eta (float, 可选, 默认为 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，对于其他调度器将被忽略。
• generator (torch.Generator 或 List[torch.Generator], 可选) — 一个或一组 torch 生成器，用于使生成过程确定化。
• latents (torch.Tensor, 可选) — 预生成的噪声潜变量，从高斯分布中采样，用作图像生成的输入。可用于通过不同的提示调整相同的生成结果。如果未提供，则将使用提供的随机 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 提示权重。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 提示权重。如果未提供，则将从 negative_prompt 输入参数生成池化的 negative_prompt_embeds。 ip_adapter_image — (PipelineImageInput, 可选): 与 IP 适配器一起使用的可选图像输入。
• ip_adapter_image_embeds (List[torch.Tensor], 可选) — IP 适配器的预生成图像嵌入。它应该是一个列表，长度与 IP 适配器的数量相同。每个元素都应是形状为 (batch_size, num_images, emb_dim) 的张量。如果 do_classifier_free_guidance 设置为 True，则应包含负面图像嵌入。如果未提供，则嵌入将从 ip_adapter_image 输入参数计算得出。
• output_type (str, 可选, 默认为 "pil") — 生成图像的输出格式。在 PIL：PIL.Image.Image 或 np.array 之间选择。
• return_dict (bool, 可选, 默认为 True) — 是否返回 ~pipelines.stable_diffusion_xl.StableDiffusionXLPipelineOutput 而不是普通元组。
• cross_attention_kwargs (dict, 可选) — 一个 kwargs 字典，如果指定，则会传递给 AttentionProcessor，其定义在 diffusers.models.attention_processor 的 self.processor 下。
• guidance_rescale (float, 可选, 默认为 0.0) — Common Diffusion Noise Schedules and Sample Steps are Flawed 提出的 Guidance rescale 因子。 guidance_scale 在 Common Diffusion Noise Schedules and Sample Steps are Flawed 的公式 16 中定义为 φ。 Guidance rescale 因子应修复使用零终端 SNR 时的过度曝光问题。
• original_size (Tuple[int], 可选, 默认为 (1024, 1024)) — 如果 original_size 与 target_size 不同，图像将显示为降采样或升采样。如果未指定，original_size 默认为 (height, width)。作为 SDXL 微调的一部分，在 https://huggingface.co/papers/2307.01952 的 2.2 节中进行了解释。
• crops_coords_top_left (Tuple[int], 可选, 默认为 (0, 0)) — crops_coords_top_left 可用于生成从位置 crops_coords_top_left 向下“裁剪”的图像。通常通过将 crops_coords_top_left 设置为 (0, 0) 来获得良好且居中的图像。作为 SDXL 微调的一部分，在 https://huggingface.co/papers/2307.01952 的 2.2 节中进行了解释。
• target_size (Tuple[int], 可选, 默认为 (1024, 1024)) — 在大多数情况下，target_size 应设置为生成图像的所需高度和宽度。如果未指定，则默认为 (height, width)。作为 SDXL 微调的一部分，在 https://huggingface.co/papers/2307.01952 的 2.2 节中进行了解释。
• negative_original_size (Tuple[int], 可选, 默认为 (1024, 1024)) — 用于基于特定的图像分辨率对生成过程进行负面条件约束。作为 SDXL 微调的一部分，在 https://huggingface.co/papers/2307.01952 的 2.2 节中进行了解释。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, 默认为 (0, 0)) — 用于基于特定的裁剪坐标对生成过程进行负面条件约束。作为 SDXL 微调的一部分，在 https://huggingface.co/papers/2307.01952 的 2.2 节中进行了解释。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, 默认为 (1024, 1024)) — 用于基于目标图像分辨率对生成过程进行负面条件约束。在大多数情况下，它应与 target_size 相同。作为 SDXL 微调的一部分，在 https://huggingface.co/papers/2307.01952 的 2.2 节中进行了解释。有关更多信息，请参阅此问题线程：https://github.com/huggingface/diffusers/issues/4208。
• callback_on_step_end (Callable, PipelineCallback, MultiPipelineCallbacks, 可选) — 一个函数或 PipelineCallback 或 MultiPipelineCallbacks 的子类，它在推理期间每个去噪步骤结束时被调用。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 指定的所有张量的列表。
• 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。您将只能包含管道类的 ._callback_tensor_inputs 属性中列出的变量。

如果 return_dict 为 True，则返回 ~pipelines.stable_diffusion_xl.StableDiffusionXLPipelineOutput，否则返回 tuple。当返回元组时，第一个元素是包含生成图像的列表。

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。如果未定义，则 prompt 将在两个文本编码器中使用。 device — (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) — 是否使用无分类器引导
• negative_prompt (str 或 List[str], 可选) — 不用于引导图像生成的提示或提示列表。如果未定义，则必须传递 negative_prompt_embeds 代替。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) — 不用于引导图像生成的提示或提示列表，将发送到 tokenizer_2 和 text_encoder_2。如果未定义，则 negative_prompt 将在两个文本编码器中都使用。
• 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。
• 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 提示权重。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 提示权重。如果未提供，则将从 negative_prompt 输入参数生成池化的 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 跳过的层数。值为 1 表示预倒数第二层的输出将用于计算提示嵌入。

参数

• w (torch.Tensor) — 生成具有指定引导比例的嵌入向量，以随后丰富时间步长嵌入。
• embedding_dim (int, 可选, 默认为 512) — 要生成的嵌入的维度。
• dtype (torch.dtype, 可选, 默认为 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

• prompt (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，则必须传递 prompt_embeds 来代替。
• prompt_2 (str 或 List[str], 可选) — 将要发送到 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。
• image (torch.Tensor 或 PIL.Image.Image 或 np.ndarray 或 List[torch.Tensor] 或 List[PIL.Image.Image] 或 List[np.ndarray]) — 要使用 pipeline 修改的图像。
• strength (float, 可选, 默认为 0.3) — 从概念上讲，表示要转换参考 image 的程度。必须介于 0 和 1 之间。image 将用作起点，strength 越大，向其添加的噪声就越多。去噪步骤的数量取决于最初添加的噪声量。当 strength 为 1 时，添加的噪声将最大，并且去噪过程将运行完整数量的迭代次数，即在 num_inference_steps 中指定的次数。因此，值为 1 实际上会忽略 image。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, 默认为 50) — 去噪步骤的数量。更多的去噪步骤通常会带来更高质量的图像，但会牺牲更慢的推理速度。
• timesteps (List[int], 可选) — 用于支持在其 set_timesteps 方法中使用 timesteps 参数的调度器的去噪过程的自定义时间步长。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) — 用于支持在其 set_timesteps 方法中使用 sigmas 参数的调度器的去噪过程的自定义 sigmas。如果未定义，将使用传递 num_inference_steps 时的默认行为。
• 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分数（介于 0.0 和 1.0 之间）。因此，去噪过程的初始部分被跳过，并且假定传递的 image 是部分去噪的图像。请注意，当指定此参数时，strength 将被忽略。当此 pipeline 集成到“去噪器混合”多 pipeline 设置中时，denoising_start 参数尤其有利，如 优化图像质量 中详述。
• denoising_end (float, 可选) — 当指定时，确定在有意提前终止之前要完成的总去噪过程的分数（介于 0.0 和 1.0 之间）。因此，返回的样本仍将保留大量的噪声（大约仍需最后 20% 的时间步），并且应由后继 pipeline 进行去噪，该 pipeline 的 denoising_start 设置为 0.8，以便仅对调度器的最后 20% 进行去噪。当此 pipeline 构成“去噪器混合”多 pipeline 设置的一部分时，应理想地利用 denoising_end 参数，如 优化图像质量 中详述。
• guidance_scale (float, 可选, 默认为 7.5) — 无分类器扩散引导 中定义的引导缩放。 定义为 Imagen Paper 的公式 2 中的 w。通过设置 guidance_scale > 1 启用引导缩放。较高的引导缩放鼓励生成与文本 prompt 紧密相关的图像，但通常以较低的图像质量为代价。
• negative_prompt (str 或 List[str], 可选) — 不用于引导图像生成的提示或提示列表。如果未定义，则必须传递 negative_prompt_embeds 来代替。当不使用引导时（即，如果 guidance_scale 小于 1），则忽略此参数。
• negative_prompt_2 (str 或 List[str], 可选) — 不用于引导图像生成的提示或提示列表，将发送到 tokenizer_2 和 text_encoder_2。如果未定义，则在两个文本编码器中都使用 negative_prompt。
• num_images_per_prompt (int, 可选, 默认为 1) — 每个提示要生成的图像数量。
• eta (float, 可选, 默认为 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，对于其他调度器将被忽略。
• generator (torch.Generator 或 List[torch.Generator], 可选) — 一个或一组 torch 生成器，用于使生成具有确定性。
• latents (torch.Tensor, 可选) — 预生成的噪声潜变量，从高斯分布中采样，用作图像生成的输入。可用于使用不同的提示来调整相同的生成。如果未提供，将通过使用提供的随机 generator 进行采样来生成潜在张量。
• 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。如果未提供，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。如果未提供，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 输入参数生成池化的 negative_prompt_embeds。 ip_adapter_image — (PipelineImageInput, 可选): 与 IP 适配器一起使用的可选图像输入。
• ip_adapter_image_embeds (List[torch.Tensor], 可选) — IP 适配器的预生成图像嵌入。它应该是一个列表，长度与 IP 适配器的数量相同。每个元素都应该是一个形状为 (batch_size, num_images, emb_dim) 的张量。如果 do_classifier_free_guidance 设置为 True，则应包含负图像嵌入。如果未提供，则从 ip_adapter_image 输入参数计算嵌入。
• output_type (str, 可选, 默认为 "pil") — 生成图像的输出格式。在 PIL: PIL.Image.Image 或 np.array 之间选择。
• return_dict (bool, 可选, 默认为 True) — 是否返回 ~pipelines.stable_diffusion.StableDiffusionXLPipelineOutput 而不是普通元组。
• cross_attention_kwargs (dict, 可选) — 一个 kwargs 字典，如果指定，则传递给 AttentionProcessor，如 diffusers.models.attention_processor 中 self.processor 下定义的那样。
• guidance_rescale (float, 可选, 默认为 0.0) — Common Diffusion Noise Schedules and Sample Steps are Flawed 提出的引导重缩放因子。 guidance_scale 在 Common Diffusion Noise Schedules and Sample Steps are Flawed 的等式 16 中定义为 φ。当使用零终端 SNR 时，引导重缩放因子应修复过度曝光。
• original_size (Tuple[int], 可选, 默认为 (1024, 1024)) — 如果 original_size 与 target_size 不同，图像将显示为缩小或放大。如果未指定，original_size 默认为 (height, width)。SDXL 微调的一部分，如 https://huggingface.co/papers/2307.01952 的 2.2 节中所述。
• crops_coords_top_left (Tuple[int], 可选, 默认为 (0, 0)) — crops_coords_top_left 可用于生成一个图像，该图像看起来像是从 crops_coords_top_left 位置向下“裁剪”的。有利的、居中良好的图像通常通过将 crops_coords_top_left 设置为 (0, 0) 来实现。SDXL 微调的一部分，如 https://huggingface.co/papers/2307.01952 的 2.2 节中所述。
• target_size (Tuple[int], 可选, 默认为 (1024, 1024)) — 在大多数情况下，target_size 应设置为生成图像的所需高度和宽度。如果未指定，它将默认为 (height, width)。SDXL 微调的一部分，如 https://huggingface.co/papers/2307.01952 的 2.2 节中所述。
• negative_original_size (Tuple[int], 可选, 默认为 (1024, 1024)) — 为了基于特定的图像分辨率对生成过程进行负面调节。SDXL 微调的一部分，如 https://huggingface.co/papers/2307.01952 的 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, 默认为 (0, 0)) — 为了基于特定的裁剪坐标对生成过程进行负面调节。SDXL 微调的一部分，如 https://huggingface.co/papers/2307.01952 的 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, 默认为 (1024, 1024)) — 为了基于目标图像分辨率对生成过程进行负面调节。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 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, 默认为 6.0) — 用于通过影响积极文本条件来模拟生成图像的美学分数。SDXL 微调的一部分，如 https://huggingface.co/papers/2307.01952 的 2.2 节中所述。
• negative_aesthetic_score (float, 可选, 默认为 2.5) — SDXL 微调的一部分，如 https://huggingface.co/papers/2307.01952 的 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分数。
• clip_skip (int, 可选) — 在计算提示嵌入时要从 CLIP 中跳过的层数。值为 1 表示预最终层的输出将用于计算提示嵌入。
• callback_on_step_end (Callable, PipelineCallback, MultiPipelineCallbacks, 可选) — 在推理期间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 callback_on_step_end_tensor_inputs 指定的所有张量的列表。
• 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。您将只能包含管道类的 ._callback_tensor_inputs 属性中列出的变量。

~pipelines.stable_diffusion.StableDiffusionXLPipelineOutput 如果 return_dict 为 True，否则返回 tuple。当返回 tuple 时，第一个元素是包含生成图像的列表。

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。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) — 是否使用无分类器引导
• negative_prompt (str 或 List[str], 可选) — 不用于引导图像生成的提示。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) — 不希望图像生成受其引导的提示或提示语，将被发送到 tokenizer_2 和 text_encoder_2。如果未定义，则 negative_prompt 将在两个文本编码器中都使用。
• prompt_embeds (torch.Tensor, 可选) — 预生成的文本嵌入 (embeddings)。可用于轻松调整文本输入，例如提示词权重 (prompt weighting)。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) — 预生成的负面文本嵌入 (negative text embeddings)。可用于轻松调整文本输入，例如提示词权重 (prompt weighting)。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 (pooled text embeddings)。可用于轻松调整文本输入，例如提示词权重 (prompt weighting)。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 (negative pooled text embeddings)。可用于轻松调整文本输入，例如提示词权重 (prompt weighting)。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 缩放比例。
• clip_skip (int, 可选) — 计算提示词嵌入 (prompt embeddings) 时，从 CLIP 跳过的层数。值为 1 表示预最终层的输出将用于计算提示词嵌入。

参数

• w (torch.Tensor) — 生成具有指定 guidance scale 的嵌入向量，以随后丰富时间步嵌入 (timestep embeddings)。
• embedding_dim (int, 可选, 默认为 512) — 要生成的嵌入的维度。
• dtype (torch.dtype, 可选, 默认为 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

• prompt (str 或 List[str], 可选) — 用于引导图像生成的提示或提示语。如果未定义，则必须改为传递 prompt_embeds。
• prompt_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
• image (PIL.Image.Image) — Image，或表示图像批次的张量，将对其进行修复，即 图像的部分将被 mask_image 遮盖，并根据 prompt 重新绘制。
• mask_image (PIL.Image.Image) — Image，或表示图像批次的张量，用于遮罩 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，它将在使用前转换为单通道（亮度）。如果它是张量，则它应包含一个颜色通道（L）而不是 3 个，因此预期的形状应为 (B, H, W, 1)。
• height (int, 可选, 默认为 self.unet.config.sample_size * self.vae_scale_factor) — 生成图像的像素高度。默认设置为 1024 以获得最佳效果。低于 512 像素的任何值对于 stabilityai/stable-diffusion-xl-base-1.0 以及未在低分辨率上专门微调的检查点都不能很好地工作。
• width (int, 可选, 默认为 self.unet.config.sample_size * self.vae_scale_factor) — 生成图像的像素宽度。默认设置为 1024 以获得最佳效果。低于 512 像素的任何值对于 stabilityai/stable-diffusion-xl-base-1.0 以及未在低分辨率上专门微调的检查点都不能很好地工作。
• padding_mask_crop (int, 可选, 默认为 None) — 要应用于图像和遮罩裁剪的边距大小。如果为 None，则不裁剪图像和 mask_image。如果 padding_mask_crop 不为 None，它将首先找到一个具有与图像相同宽高比的矩形区域，并包含所有遮罩区域，然后根据 padding_mask_crop 扩展该区域。然后，将根据扩展区域裁剪图像和 mask_image，然后再调整大小为原始图像大小以进行修复。当遮罩区域很小而图像很大且包含与修复无关的信息（例如背景）时，这非常有用。
• strength (float, 可选, 默认为 0.9999) — 从概念上讲，表示要转换参考 image 的遮罩部分的程度。必须介于 0 和 1 之间。image 将用作起点，strength 越大，添加到其中的噪声就越多。去噪步骤的数量取决于最初添加的噪声量。当 strength 为 1 时，添加的噪声将最大，并且去噪过程将运行在 num_inference_steps 中指定的完整迭代次数。因此，值为 1 本质上会忽略参考 image 的遮罩部分。请注意，在 denoising_start 被声明为整数的情况下，strength 的值将被忽略。
• num_inference_steps (int, 可选, 默认为 50) — 去噪步骤的数量。更多的去噪步骤通常会以较慢的推理速度为代价，从而获得更高质量的图像。
• timesteps (List[int], 可选) — 用于去噪过程的自定义时间步长，调度器在其 set_timesteps 方法中支持 timesteps 参数。如果未定义，则将使用传递 num_inference_steps 时的默认行为。必须按降序排列。
• sigmas (List[float], 可选) — 用于去噪过程的自定义 sigmas，调度器在其 set_timesteps 方法中支持 sigmas 参数。如果未定义，则将使用传递 num_inference_steps 时的默认行为。
• denoising_start (float, 可选) — 指定后，指示在启动去噪过程之前要绕过的总去噪过程的分数（介于 0.0 和 1.0 之间）。因此，去噪过程的初始部分将被跳过，并且假定传递的 image 是部分去噪的图像。请注意，当指定此项时，将忽略 strength。当此管道集成到“去噪器混合”多管道设置中时，denoising_start 参数特别有利，如 优化图像输出 中详述。
• denoising_end (float, 可选) — 指定后，确定在有意过早终止之前要完成的总去噪过程的分数（介于 0.0 和 1.0 之间）。因此，返回的样本仍将保留大量的噪声（大约仍需要最后 20% 的时间步长），并且应由后续管道去噪，该管道的 denoising_start 设置为 0.8，以便它仅去噪调度器的最后 20%。当此管道构成“去噪器混合”多管道设置的一部分时，应理想地使用 denoising_end 参数，如 优化图像输出 中详述。
• guidance_scale (float, 可选, 默认为 7.5) — Classifier-Free Diffusion Guidance 中定义的引导缩放。guidance_scale 定义为 Imagen Paper 的公式 2 中的 w。通过设置 guidance_scale > 1 启用引导缩放。较高的引导缩放鼓励生成与文本 prompt 紧密相关的图像，通常以降低图像质量为代价。
• negative_prompt (str 或 List[str], 可选) — 不引导图像生成的提示或提示列表。如果未定义，则必须传递 negative_prompt_embeds 代替。当不使用引导时忽略（即，如果 guidance_scale 小于 1 时忽略）。
• negative_prompt_2 (str 或 List[str], 可选) — 不引导图像生成的提示或提示列表，将发送到 tokenizer_2 和 text_encoder_2。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 提示权重。如果未提供，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 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 输入参数生成池化的 negative_prompt_embeds。 ip_adapter_image — (PipelineImageInput, 可选): 与 IP 适配器一起使用的可选图像输入。
• ip_adapter_image_embeds (List[torch.Tensor], 可选) — IP-Adapter 的预生成图像嵌入。它应该是一个列表，长度与 IP 适配器的数量相同。每个元素都应是一个形状为 (batch_size, num_images, emb_dim) 的张量。如果 do_classifier_free_guidance 设置为 True，则应包含负图像嵌入。如果未提供，则从 ip_adapter_image 输入参数计算嵌入。
• num_images_per_prompt (int, 可选, 默认为 1) — 每个提示要生成的图像数量。
• eta (float, 可选, 默认为 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，对于其他调度器将被忽略。
• generator (torch.Generator, 可选) — 一个或多个 torch 生成器 列表，使生成具有确定性。
• latents (torch.Tensor, 可选) — 预生成的噪声潜变量，从高斯分布中采样，用作图像生成的输入。可用于使用不同的提示来调整相同的生成。如果未提供，则将通过使用提供的随机 generator 进行采样来生成潜变量张量。
• output_type (str, 可选, 默认为 "pil") — 生成图像的输出格式。在 PIL：PIL.Image.Image 或 np.array 之间选择。
• return_dict (bool, 可选, 默认为 True) — 是否返回 StableDiffusionPipelineOutput 而不是普通元组。
• cross_attention_kwargs (dict, 可选) — 一个 kwargs 字典，如果指定，则将其传递给 diffusers.models.attention_processor 中 self.processor 下定义的 AttentionProcessor。
• original_size (Tuple[int], 可选，默认为 (1024, 1024)) — 如果 original_size 与 target_size 不同，图像将显示为缩小或放大。如果未指定，original_size 默认为 (height, width)。 作为 SDXL 微调的一部分，详见 https://huggingface.co/papers/2307.01952 的 2.2 节。
• crops_coords_top_left (Tuple[int], 可选，默认为 (0, 0)) — crops_coords_top_left 可用于生成从位置 crops_coords_top_left 向下裁剪的图像。通常，将 crops_coords_top_left 设置为 (0, 0) 可以获得良好且居中的图像。 作为 SDXL 微调的一部分，详见 https://huggingface.co/papers/2307.01952 的 2.2 节。
• target_size (Tuple[int], 可选，默认为 (1024, 1024)) — 在大多数情况下，target_size 应设置为生成图像的所需高度和宽度。如果未指定，它将默认为 (height, width)。 作为 SDXL 微调的一部分，详见 https://huggingface.co/papers/2307.01952 的 2.2 节。
• negative_original_size (Tuple[int], 可选，默认为 (1024, 1024)) — 用于根据特定的图像分辨率对生成过程进行负面调节。 作为 SDXL 微调的一部分，详见 https://huggingface.co/papers/2307.01952 的 2.2 节。 更多信息，请参考此 issue 线程：https://github.com/huggingface/diffusers/issues/4208。
• negative_crops_coords_top_left (Tuple[int], 可选，默认为 (0, 0)) — 用于根据特定的裁剪坐标对生成过程进行负面调节。 作为 SDXL 微调的一部分，详见 https://huggingface.co/papers/2307.01952 的 2.2 节。 更多信息，请参考此 issue 线程：https://github.com/huggingface/diffusers/issues/4208。
• negative_target_size (Tuple[int], 可选，默认为 (1024, 1024)) — 用于根据目标图像分辨率对生成过程进行负面调节。在大多数情况下，它应与 target_size 相同。 作为 SDXL 微调的一部分，详见 https://huggingface.co/papers/2307.01952 的 2.2 节。 更多信息，请参考此 issue 线程：https://github.com/huggingface/diffusers/issues/4208。
• aesthetic_score (float, 可选，默认为 6.0) — 用于通过影响正面文本条件来模拟生成图像的美学评分。 作为 SDXL 微调的一部分，详见 https://huggingface.co/papers/2307.01952 的 2.2 节。
• negative_aesthetic_score (float, 可选，默认为 2.5) — 作为 SDXL 微调的一部分，详见 https://huggingface.co/papers/2307.01952 的 2.2 节。 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。
• clip_skip (int, 可选) — 在计算 prompt embeddings 时，要从 CLIP 跳过的层数。值为 1 表示预最终层的输出将用于计算 prompt embeddings。
• callback_on_step_end (Callable, PipelineCallback, MultiPipelineCallbacks, 可选) — 在推理过程中，在每个去噪步骤结束时调用的函数或 PipelineCallback 或 MultiPipelineCallbacks 的子类。参数如下：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的 ._callback_tensor_inputs 属性中列出的变量。

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

参数

• prompt (str 或 List[str], 可选) — 要编码的 prompt
• prompt_2 (str 或 List[str], 可选) — 要发送到 tokenizer_2 和 text_encoder_2 的 prompt 或 prompts。如果未定义，则 prompt 在两个文本编码器中都使用。 device — (torch.device): torch 设备
• num_images_per_prompt (int) — 每个 prompt 应生成的图像数量
• do_classifier_free_guidance (bool) — 是否使用无分类器 guidance
• negative_prompt (str 或 List[str], 可选) — 不用于引导图像生成的 prompt 或 prompts。如果未定义，则必须传递 negative_prompt_embeds。当不使用 guidance 时忽略（即，如果 guidance_scale 小于 1 则忽略）。
• negative_prompt_2 (str 或 List[str], 可选) — 不用于引导图像生成的 prompt 或 prompts，将发送到 tokenizer_2 和 text_encoder_2。如果未定义，则 negative_prompt 在两个文本编码器中都使用
• prompt_embeds (torch.Tensor, 可选) — 预生成的文本 embeddings。可用于轻松调整文本输入，例如 prompt 权重。如果未提供，则将从 prompt 输入参数生成文本 embeddings。
• negative_prompt_embeds (torch.Tensor, 可选) — 预生成的负面文本 embeddings。可用于轻松调整文本输入，例如 prompt 权重。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 pooled 文本 embeddings。可用于轻松调整文本输入，例如 prompt 权重。如果未提供，则将从 prompt 输入参数生成 pooled 文本 embeddings。
• negative_pooled_prompt_embeds (torch.Tensor, 可选) — 预生成的负面 pooled 文本 embeddings。可用于轻松调整文本输入，例如 prompt 权重。如果未提供，则将从 negative_prompt 输入参数生成 pooled 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的所有 LoRA 层的 lora 缩放比例。
• clip_skip (int, 可选) — 在计算 prompt embeddings 时，要从 CLIP 跳过的层数。值为 1 表示预最终层的输出将用于计算 prompt embeddings。

参数

• w (torch.Tensor) — 生成具有指定 guidance 比例的 embedding 向量，以随后丰富 timestep embeddings。
• embedding_dim (int, 可选，默认为 512) — 要生成的 embeddings 的维度。
• dtype (torch.dtype, 可选，默认为 torch.float32) — 生成的 embeddings 的数据类型。

形状为 (len(w), embedding_dim) 的嵌入向量。