Diffusers 文档
RePaint调度器
并获得增强的文档体验
开始使用
RePaint调度器
RePaintScheduler
是一个基于DDPM的图像修复调度器,用于处理极端遮罩的无监督图像修复。它旨在与 RePaintPipeline
配合使用,并基于 Andreas Lugmayr 等人的论文 RePaint: Inpainting using Denoising Diffusion Probabilistic Models。
论文摘要如下:
自由形式的图像修复任务是在由任意二进制遮罩指定的区域中为图像添加新内容。大多数现有方法针对特定遮罩分布进行训练,这限制了它们对未知遮罩类型的泛化能力。此外,使用像素级和感知损失进行训练通常会导致对缺失区域进行简单的纹理扩展,而不是语义上有意义的生成。在这项工作中,我们提出了 RePaint:一种基于去噪扩散概率模型(DDPM)的图像修复方法,适用于甚至极端的遮罩。我们采用预训练的无条件DDPM作为生成先验。为了调节生成过程,我们只通过使用给定图像信息对未遮罩区域进行采样来改变逆向扩散迭代。由于此技术不修改或调节原始DDPM网络本身,因此该模型为任何图像修复形式生成高质量和多样化的输出图像。我们使用标准和极端遮罩验证了我们用于人脸和通用图像修复的方法。RePaint 在至少六种遮罩分布中的五种上优于最先进的自回归和GAN方法。GitHub存储库:此http URL。
原始实现可在 andreas128/RePaint 找到。
RePaintScheduler
class diffusers.RePaintScheduler
< source 源代码 >( num_train_timesteps: int = 1000 beta_start: float = 0.0001 beta_end: float = 0.02 beta_schedule: str = 'linear' eta: float = 0.0 trained_betas: typing.Optional[numpy.ndarray] = None clip_sample: bool = True )
参数
- num_train_timesteps (
int
, 默认为 1000) — 训练模型所需的扩散步数。 - beta_start (
float
, 默认为 0.0001) — 推理的起始beta
值。 - beta_end (
float
, 默认为 0.02) — 最终的beta
值。 - beta_schedule (
str
, 默认为"linear"
) — beta调度,将beta范围映射到模型步进的beta序列。可选择linear
、scaled_linear
、squaredcos_cap_v2
或sigmoid
。 - eta (
float
) — 扩散步骤中添加噪声的权重。如果其值在0.0和1.0之间,则对应于DDIM调度器;如果其值在-0.0和1.0之间,则对应于DDPM调度器。 - trained_betas (
np.ndarray
, 可选) — 直接向构造函数传递一个beta数组以绕过beta_start
和beta_end
。 - clip_sample (
bool
, 默认为True
) — 将预测样本裁剪到-1和1之间以获得数值稳定性。
RePaintScheduler
是用于给定遮罩内DDPM图像修复的调度器。
此模型继承自 SchedulerMixin 和 ConfigMixin。查看超类文档以了解库为所有调度器(例如加载和保存)实现的通用方法。
scale_model_input
< source 源代码 >( sample: Tensor timestep: typing.Optional[int] = None ) → torch.Tensor
确保与需要根据当前时间步缩放去噪模型输入的调度器互换使用。
set_timesteps
< source 源代码 >( num_inference_steps: int jump_length: int = 10 jump_n_sample: int = 10 device: typing.Union[str, torch.device] = None )
设置用于扩散链的离散时间步(在推理之前运行)。
步骤
< source 源代码 >( model_output: Tensor timestep: int sample: Tensor original_image: Tensor mask: Tensor generator: typing.Optional[torch._C.Generator] = None return_dict: bool = True ) → RePaintSchedulerOutput 或 tuple
参数
- model_output (
torch.Tensor
) — 从学习扩散模型直接输出。 - timestep (
int
) — 扩散链中的当前离散时间步。 - sample (
torch.Tensor
) — 扩散过程创建的当前样本实例。 - original_image (
torch.Tensor
) — 要进行图像修复的原始图像。 - mask (
torch.Tensor
) — 值为0.0表示原始图像中需要修复的部分的遮罩。 - generator (
torch.Generator
, 可选) — 随机数生成器。 - return_dict (
bool
, 可选, 默认为True
) — 是否返回 RePaintSchedulerOutput 或tuple
。
返回
RePaintSchedulerOutput 或 tuple
如果 return_dict
为 True
,则返回 RePaintSchedulerOutput,否则返回一个元组,其中第一个元素是样本张量。
通过逆转 SDE 预测前一个时间步的样本。此函数从学习到的模型输出(通常是预测的噪声)传播扩散过程。
RePaintSchedulerOutput
class diffusers.schedulers.scheduling_repaint.RePaintSchedulerOutput
< source 源代码 >( prev_sample: Tensor pred_original_sample: Tensor )
调度器步进函数输出的输出类。