参数

• pixel_values (Union[torch.Tensor, None]形状为(batch_size, num_channels, height, width)，默认值为None) — 当前批次图像的像素值。可以从编码图像中使用AutoImageProcessor获取像素值。

参数

• pixel_values (Union[torch.Tensor, None] shape (batch_size, num_channels, height, width), 默认为 None) — 当前批次图像对应的像素值。可以通过 AutoImageProcessor 从编码图像中获得像素值。

参数

• input_values (torch.Tensor 形状 (batch_size, sequence_length)) — 输入原始语音波形浮点值。输入值可以通过使用 AutoProcessor 加载到数组中的音频文件获取。

参数

• input_values (torch.Tensor of shape (batch_size, sequence_length)) — 输入原始语音波形浮点值。通过将音频文件加载到数组中可以使用 AutoProcessor 获取输入值。

参数

• input_values (torch.Tensor的形状为(batch_size, sequence_length)) — 输入原始语音波形的浮点值。输入值可以通过使用AutoProcessor从加载到数组的音频文件中获取。

参数

• input_values (torch.Tensor of shape (batch_size, sequence_length)) — 输入原始语音波形浮点值。输入值可以通过将加载到数组的音频文件使用 AutoProcessor 获取。

参数

• prompt (Optional[Union[str, List[str]]], 默认为 None) — 指导图像生成的提示或提示。如未定义，则需要传递 prompt_embeds。
• num_inference_steps（《整数`, 默认为 50）— 去噪步骤的数量。去噪步骤越多，通常会使图像质量更高，但推理速度会变慢。
• guidance_scale（《浮点数`, 默认为 7.5）— 较高的指导尺度值会鼓励模型生成与文本 prompt 紧密相关的图像，但会以降低图像质量为代价。当 guidance_scale > 1 时，指导尺度被启用。
• negative_prompt（《可选[Union[str, List[str]]]`，默认为 `None`）— 指导图像生成时排除的内容的提示或提示列表。如果未定义，则需要传递 `negative_prompt_embeds`。当未使用指导（`guidance_scale < 1`）时将忽略。
• num_images_per_prompt （int，默认1） — 每个提示生成图像的数量。如果它与编译所使用的批次大小不同，它将覆盖神经元（动态批处理除外）的静态批次大小。
• eta （float，默认0.0） — 对应于DDIM论文中的参数eta（η）。仅适用于diffusers.schedulers.DDIMScheduler，在其他调度器中将被忽略。
• generator （Optional[Union[torch.Generator, List[torch.Generator]]]，默认None） — 用于生成确定性结果的torch.Generator。
• output_type (Optional[str], 默认为 "pil") — 生成的图像的输出格式。可在 PIL.Image 或 np.array 之间选择。
• return_dict (bool, 默认为 True) — 是否返回 diffusers.pipelines.stable_diffusion.StableDiffusionPipelineOutput 而不是普通的元组。
• callback (Optional[Callable], 默认为 None) — 在推理过程中的每个 callback_steps 步骤时调用函数。该函数通过以下参数调用： callback(step: int, timestep: int, latents: torch.FloatTensor)。
• callback_steps (int, 默认为 1) — 调用 callback 函数的频率。如果未指定，则在每一步调用回调。
• cross_attention_kwargs (dict, 默认为 None) — 一个关键字段（kwargs）字典，如果指定，将传递给定义为 self.processor 的 AttentionProcessor。
• guidance_rescale (float, 默认为 0.0) — 来自论文《Common Diffusion Noise Schedules and Sample Steps are Flawed》的指导重缩放因子。指导重缩放因子应在使用零终端 SNR 时修复过度曝光问题。

如果 return_dict 为 True，返回 diffusers.pipelines.stable_diffusion.StableDiffusionPipelineOutput，否则返回一个 tuple，其中第一个元素是一个列表，包含生成的图像，第二元素是一个包含 bool 的列表，指示相应的生成图像是否包含“不适宜工作” (nsfw) 内容。

参数

• prompt (Optional[Union[str, List[str]]], 默认为 None) — 引导图像生成的提示或提示列表。如果未定义，您需要传递 prompt_embeds。
• image (Optional["PipelineImageInput"], 默认为 None) — 一个表示作为起始点使用的一批图像的Image，numpy数组或tensor。对于numpy数组和pytorch tensor，期望的值范围在[0, 1]之间。如果是一个tensor或tensor列表，期望的形状应为(B, C, H, W)或(C, H, W)。如果是一个numpy数组或数组列表，期望的形状应为(B, H, W, C)或(H, W, C)。它还可以接受作为image的图像潜伏变量，但如果直接传递潜伏变量，则不再编码。
• strength (float, 默认为 0.8) — 表示将参考image变换的程度。必须在0到1之间。用作起始点的image，strength值越高，噪声越多。去噪步骤的数量取决于初始加入的噪声量。strength为1时，加入的噪声最大，去噪过程会运行到num_inference_steps中指定的完整迭代次数。1的值实际上会忽略image。
• num_inference_steps (int, 默认为 50) — 去噪步骤的数量。去噪步骤越多，通常图像质量越高，但推理速度会降低。此参数由strength控制。
• guidance_scale (float, 默认为7.5) — 较高的指导比例值会鼓励模型生成与文本 prompt 紧密相关的图像，但会牺牲图像质量。当 guidance_scale > 1 时启用指导比例。
• negative_prompt (Optional[Union[str, List[str], 默认为 None) — 指示不应包含在图像生成中的提示或提示项。如果没有定义，则需要传递 negative_prompt_embeds。当不使用指导（guidance_scale < 1）时忽略。
• num_images_per_prompt (int, 默认为1) — 每个提示生成图像的数量。如果它与用于编译的批处理大小不同，它将由neuron的静态批处理大小覆盖（除了动态批处理）。
• eta (float, 默认为 0.0) — 对应于DDIM论文中的参数eta (η)。仅适用于diffusers.schedulers.DDIMScheduler，在其他调度器中将被忽略。
• generator (Optional[Union[torch.Generator, List[torch.Generator]]], 默认为 None) — 用于生成确定性结果的一个torch.Generator。
• prompt_embeds (Optional[torch.FloatTensor], 默认为 None) — 预生成的文本嵌入。可以用于轻松调整文本输入（提示权重）。如果不提供，将根据prompt输入参数生成文本嵌入。
• negative_prompt_embeds (Optional[torch.FloatTensor], 默认为 None) — 预生成的负文本嵌入。可用于轻松调整文本输入（提示权重）。如果未提供，将根据 negative_prompt 输入参数生成 negative_prompt_embeds。
• output_type (Optional[str], 默认为 "pil") — 生成图像的输出格式。可选择 PIL.Image 或 np.array。
• return_dict (bool, 默认为 True) — 是否返回 diffusers.pipelines.stable_diffusion.StableDiffusionPipelineOutput 而不是普通元组。
• callback （Optional[Callable]，默认为None） — 一个在推理过程中每callback_steps步调用的函数。函数以以下参数调用：callback(step: int, timestep: int, latents: torch.FloatTensor)。
• callback_steps （int，默认为1） — callback函数被调用的频率。如果没有指定，回调在每一步都调用。
• cross_attention_kwargs （dict，默认为None） — 一个kwargs字典，如果指定，将被传递到在self.processor中定义的AttentionProcessor。

如果 return_dict 为 True，返回 diffusers.pipelines.stable_diffusion.StableDiffusionPipelineOutput，否则返回一个 tuple，其中第一个元素是一个列表，包含生成的图像，第二元素是一个包含 bool 的列表，指示相应的生成图像是否包含“不适宜工作” (nsfw) 内容。

参数

• prompt (Optional[Union[str, List[str]]], 默认为 None) — 指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。
• image (Optional["PipelineImageInput"], 默认为 None) — 表示待修复图像的图像、NumPy数组或tensor（与mask_image一起使用，以遮罩并按照prompt重新绘制）。对于NumPy数组和PyTorch tensor，预期的值范围在[0, 1]之间。如果是tensor或tensor列表，预期的形状应为(B, C, H, W)或(C, H, W)。如果是NumPy数组或数组列表，预期的形状应为(B, H, W, C)或(H, W, C)。它还可以接受作为image的图像潜值，但如果直接传递潜值则不再进行编码。
• mask_image (Optional["PipelineImageInput"], 默认为 None) — Image、numpy数组或表示要遮挡的图像批次的张量 image。遮挡中白色像素被重新绘制，而黑色像素被保留。如果 mask_image 是 PIL 图像，则在使用之前将其转换为单通道（亮度）。如果是 numpy数组或 pytorch 张量，它应包含一个颜色通道（L）而不是3个，因此 pytorch 张量的预期形状为 (B, 1, H, W)、(B, H, W)、(1, H, W) 或 (H, W)。对于 numpy 数组，形状为 (B, H, W, 1)、(B, H, W)、(H, W, 1) 或 (H, W)。
• strength (float，默认为 1.0) — 表示对参考图像 image 进行变换的程度。必须在 0 和 1 之间。使用 image 作为起始点，添加更多噪声的越高。去噪步骤的数量取决于最初添加的噪声数量。当 strength 为 1 时，添加的噪声最大，去噪过程将对 num_inference_steps 中指定的迭代次数进行完整运行。1 的值本质上会忽略 image。
• num_inference_steps (int，默认为 50) — 去噪步骤的数量。去噪步骤越多，通常图像质量越高，但推理速度会变慢。此参数受 strength 调整。
• guidance_scale (float, 默认为 7.5) — 更高的指导比例值会鼓励模型生成与文本 prompt 密切相关的图像，但这会牺牲图像质量。当 guidance_scale > 1 时，启用指导比例。
• negative_prompt (Optional[Union[str, List[str], 默认为 None) — 指导不包含在图像生成中的提示或提示。如果没有定义，则需要传递 negative_prompt_embeds。当不使用指导（《guidance_scale < 1》）时将被忽略。
• num_images_per_prompt (int, 默认为 1) — 每个提示生成的图像数量。如果它与编译时使用的批次大小不同，则将被神经元的静态批次大小覆盖（动态批处理除外）。
• eta （float，默认为 0.0）—— 对应于DDIM 论文中的参数 eta (η)。仅适用于 diffusers.schedulers.DDIMScheduler，在其他调度器中将被忽略。
• generator （Optional[Union[torch.Generator, List[torch.Generator]]]，默认为 None）—— 用于使生成过程确定性的一种 torch.Generator。
• latents （Optional[torch.FloatTensor]，默认为 None）—— 使用高斯分布抽样预生成的噪声潜伏变量，用于图像生成的输入。可用于以不同的提示对相同的生成进行微调。如果没有提供，将使用提供的随机 generator 生成潜伏变量张量。
• prompt_embeds (Optional[torch.FloatTensor], 默认为 None) — 预生成的文本嵌入。可用于轻松调整文本输入（提示权重）。如果没有提供，则从 prompt 输入参数生成文本嵌入。
• negative_prompt_embeds (Optional[torch.FloatTensor], 默认为 None) — 预生成的负文本嵌入。可用于轻松调整文本输入（提示权重）。如果没有提供，则从 negative_prompt 输入参数生成负文本嵌入。
• output_type (Optional[str], 默认为 "pil") — 生成的图像的输出格式。可以选择 PIL.Image 或 np.array。
• return_dict (bool，默认值为True）— 是否返回一个diffusers.pipelines.stable_diffusion.StableDiffusionPipelineOutput而不是一个普通的元组。
• callback (Optional[Callable]，默认值为None）— 一个在推理过程中每callback_steps步调用一次的函数。函数用以下参数调用：callback(step: int, timestep: int, latents: torch.FloatTensor)。
• callback_steps (int，默认值为1）— callback函数被调用的频率。如果没有指定，则在每一步调用回调。
• cross_attention_kwargs （dict，默认为None） — 一個kwargs字典，如果指定，將作為參數傳遞給根據self.processor定義的AttentionProcessor。
• clip_skip （int，默认为None） — 在計算提示嵌入時跳過CLIP的層數。數值1表示將使用最後一層輸出來計算提示嵌入。

如果 return_dict 为 True，返回 diffusers.pipelines.stable_diffusion.StableDiffusionPipelineOutput，否则返回一个 tuple，其中第一个元素是一个列表，包含生成的图像，第二元素是一个包含 bool 的列表，指示相应的生成图像是否包含“不适宜工作” (nsfw) 内容。

参数

• 提示 (Optional[Union[str, List[str]]], 默认为None) — 指导图像生成的提示或提示列表。如果没有定义，需要传递prompt_embeds。
• num_inference_steps (int，默认为50) — 反噪步骤的数量。更多的反噪步骤通常会导致图像质量更高，但推理速度会变慢。
• original_inference_steps (Optional[int]，默认为None) — 生成线性间隔时间表的原推理步骤数量，我们将从中均匀抽取num_inference_steps个时间步作为最终时间表，遵循论文中的跳过步法（见第4.3节）。如果未设置，则默认为调度器的original_inference_steps属性。
• guidance_scale (float，默认为8.5) — 更高的指导尺度值会鼓励模型生成与文本prompt密切相关的图像，但会降低图像质量。当guidance_scale > 1时启用指导尺度。请注意，原始的潜在一致性模型论文使用了不同的CFG公式，其中指导尺度减少了1（因此，在论文的公式中，CFG在guidance_scale > 0时启用）。
• num_images_per_prompt （整数类型，默认为1） — 每个提示生成的图片数量。
• generator （可选的 torch.Generator 或 List[torch.Generator] 的 Union，默认为 None） — 用于实现生成操作的确定性。
• latents （可选的 torch FogChen，默认为 None） — 从高斯分布中预生成的噪声 Latent，用作图像生成的输入。可以用于使用不同的提示调整相同生成的效果。如果没有提供，将使用提供的随机 generator 生成 latents 张量。
• prompt_embeds (Optional[torch.FloatTensor], 默认为 None) — 预生成的文本嵌入。可用于轻松调整文本输入（提示权重）。如果没有提供，文本嵌入将从 prompt 输入参数生成。
• output_type (str, 默认为 "pil") — 生成的图像的输出格式。选择 PIL.Image 或 np.array。
• return_dict (bool, 默认为 True) — 是否返回 ~pipelines.stable_diffusion.StableDiffusionPipelineOutput 而不是纯元组。
• cross_attention_kwargs (Optional[Dict[str, Any]], 默认为 None) — 如果指定，则将作为kwargs字典传递到定义在self.processor中的AttentionProcessor。
• clip_skip (Optional[int], 默认为 None) — 在计算提示嵌入时跳过的CLIP层数。值为1表示将使用预最终层的输出计算提示嵌入。
• callback_on_step_end (Optional[Callable], 默认为 None) — 在推理期间，每个去噪步骤结束时调用的函数。该函数带有以下参数：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[str], 默认为 ["latents"]) — 用于 callback_on_step_end 函数的张量输入列表。列表中指定的张量将被作为 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，返回 diffusers.pipelines.stable_diffusion.StableDiffusionPipelineOutput，否则返回一个 tuple，其中第一个元素是一个列表，包含生成的图像，第二元素是一个包含 bool 的列表，指示相应的生成图像是否包含“不适宜工作” (nsfw) 内容。

参数

• prompt (Optional[Union[str, List[str]]], 默认为 None) — 引导图像生成的提示或提示词。如果没有定义，需要传递 prompt_embeds。
• image (Optional["PipelineImageInput"], 默认为 None) — 为生成过程提供指导的控制网输入条件。如果指定类型为 torch.Tensor，它将直接传递给控制网。也接受 PIL.Image.Image 格式的图像。输出图像的尺寸默认与 image 的尺寸相同。如果传递了高度和/或宽度，则根据这些值调整图像的大小。如果 init 中指定了多个控制网，则必须将图像作为列表传递，以便为单个控制网正确地批量输入。当 prompt 是列表，且为一个控制网传递了图像列表时，每个图像将与 prompt 列表中的每个提示进行配对。这也适用于多个控制网，可以将图像列表的列表传递给每个提示和每个控制网进行批量处理。
• num_inference_steps （int，默认为50）—— 消噪步骤的数量。更多的消噪步骤通常会导致图像质量更高，但推理速度会更慢。
• timesteps （Optional[List[int]]，默认为None）—— 用于与支持在set_timesteps方法中使用timesteps参数的调度程序的消噪过程的自定义时间步。如果没有定义，则当传递num_inference_steps时，将使用默认行为。必须按降序排列。
• sigmas （Optional[List[int]]，默认为None）—— 用于与支持在set_timesteps方法中使用sigmas参数的调度程序的消噪过程的自定义sigma值。如果没有定义，则当传递num_inference_steps时，将使用默认行为。
• guidance_scale (float, 默认值 7.5) — 较高的引导尺度值会使模型以降低图像质量为代价，生成与文本 prompt 相关程度更高的图像。引导尺度在 guidance_scale > 1 时开启。
• negative_prompt (Optional[Union[str, List[str]]], 默认值 None) — 用于指导在图像生成中不包含的内容的提示或提示列表。如果未定义，则需要传递 negative_prompt_embeds。在不使用引导时（guidance_scale < 1）将被忽略。
• num_images_per_prompt (int, 默认值 1) — 每个提示生成的图像数量。如果与其用于编译的批大小不同，将被神经元（除了动态批处理）的静态批大小覆盖。
• eta (float, 默认为 0.0) — 与DDIM论文中的参数 eta (η) 相对应。仅适用于 ~schedulers.DDIMScheduler，在其他调度器中将被忽略。
• generator (Optional[Union[torch.Generator, List[torch.Generator]]], 默认为 None) — 用于使生成过程确定性的 torch.Generator。
• latents (Optional[torch.Tensor], 默认为 None) — 预生成的从高斯分布中采样的噪声潜变量，用于图像生成。可用于使用不同的提示来微调相同的生成。如果没有提供，将使用提供的随机 generator 生成一个潜变量张量。
• prompt_embeds （Optional[torch.Tensor]，默认为 None） — 预生成的文本嵌入。可用于轻松修改文本输入（提示加权）。如果没有提供，文本嵌入将从 prompt 输入参数生成。
• negative_prompt_embeds （Optional[torch.Tensor]，默认为 None） — 预生成的负文本嵌入。可用于轻松修改文本输入（提示加权）。如果没有提供，将从 negative_prompt 输入参数生成。
• ip_adapter_image_embeds （Optional[List[torch.Tensor]]，默认为 None） — 预生成的 IP-Adapter 图像嵌入。应为一个长度与 IP-adapters 数量相同的列表。每个元素应为形状为 (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。如果没有提供，将从 ip_adapter_image 输入参数计算嵌入。
• output_type (str, 默认为 "pil") — 生成图像的输出格式。选择 PIL.Image 或 np.array。
• return_dict (bool, 默认为 True) — 是否返回 diffusers.pipelines.stable_diffusion.StableDiffusionPipelineOutput 而不是普通元组。
• cross_attention_kwargs (Optional[Dict[str, Any]], 默认为 None) — 一个 kwargs 字典，如果指定，则传递给 AttentionProcessor，后者在 self.processor 中定义。
• controlnet_conditioning_scale (浮点数或浮点数列表，默认为1.0) — 在将ControlNet的输出加到原始unet的残差之前，先将这些输出乘以controlnet_conditioning_scale。如果在init中指定了多个ControlNet，您可以将其对应的缩放值设置为列表。
• guess_mode (布尔值，默认为False) — 即使移除了所有提示，ControlNet编码器也会尝试识别输入图像的内容。建议guidance_scale的值在3.0到5.0之间。
• control_guidance_start (浮点数或浮点数列表，默认为0.0) — ControlNet开始应用的步骤占整个步骤总数的百分比。
• control_guidance_end (Union[float, List[float]], optional, 默认为 1.0) — 控制网停止应用的总步数的百分比。
• clip_skip (Optional[int], 默认为 None) — 在计算提示嵌入时跳过的CLIP层的数量。值为1表示将使用预最终层的输出来计算提示嵌入。
• callback_on_step_end (Optional[Union[Callable[[int, int, Dict], None], PipelineCallback, MultiPipelineCallbacks]], 默认为 None) — 在推理期间，在每个去噪步骤结束时调用的函数或 PipelineCallback 或 MultiPipelineCallbacks 的子类。它带有以下参数：callback_on_step_end(self: DiffusionPipeline, step: int, timestep: int, callback_kwargs: Dict)。 callback_kwargs 将包含列表中所有张量，如 callback_on_step_end_tensor_inputs 中指定的那样。
• callback_on_step_end_tensor_inputs （列表[字符串]，默认值为["latents"]） — callback_on_step_end 函数的 tensor 输入列表。列表中指定的 tensor 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，返回 diffusers.pipelines.stable_diffusion.StableDiffusionPipelineOutput，否则返回一个 tuple，其中第一个元素是一个列表，包含生成的图像，第二元素是一个包含 bool 的列表，指示相应的生成图像是否包含“不适宜工作” (nsfw) 内容。

参数

• prompt （Optional[Union[str, List[str]]]，默认为 None）— 引导图像生成的提示语。如果没有定义，必须传递 prompt_embeds。
• prompt_2 （Optional[Union[str, List[str]]]，默认为 None）— 需要发送给 tokenizer_2 和 text_encoder_2 的提示语。如果没有定义，则在两个文本编码器中使用 prompt。
• num_inference_steps （int，默认为 50）— 去噪步骤的数量。更多的去噪步骤通常会导致图像质量更高，但推理速度会更慢。
• denoising_end (Optional[float], 默认值 None) — 当指定时，确定在有意提前终止前应完成的全部降噪过程的分数（介于 0.0 和 1.0 之间）。因此，返回的样本仍然保留大量由调度器选择的离散时间步长确定的噪声。应该在将此管道作为“降噪组合”多管道设置的一部分时理想地使用 denoising_end 参数，如优化图像输出 详细说明。
• guidance_scale (float, 默认值 5.0) — 由无分类器的扩散指导定义的指导尺度。guidance_scale是Imagen 论文方程 2 中的 w。指导尺度通过设置 guidance_scale > 1启用。较高的指导尺度鼓励生成与文本 prompt 密切相关的图像，这通常以降低图像质量为代价。
• negative_prompt (Optional[Union[str, List[str]]], 默认值 None) — 不用于引导图像生成的提示或提示。如果没有定义，则必须传递 negative_prompt_embeds。在没有使用引导的情况下忽略（即，如果 guidance_scale 小于 1，则忽略）。
• negative_prompt_2 (Optional[Union[str, List[str]]], 默认为 None) — 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。如果没有定义，则在两个文本编码器中使用 negative_prompt
• num_images_per_prompt (int, 默认为 1) — 每个提示生成图像的数量。如果与用于编译的批处理大小不同，它将由神经元的静态批处理大小覆盖（除动态批处理外）。
• eta (float, 默认为 0.0) — 对应于 DDIM 论文中参数 eta (η)：[链接](https://arxiv.org/abs/2010.02502)。仅适用于 schedulers.DDIMScheduler，对于其他对象将忽略。
• generator (Optional[Union[torch.Generator, List[torch.Generator]]], 默认为 None) — 一或多个 torch 生成器 以使生成确定性。
• latents (Optional[torch.FloatTensor], 默认为 None) — 预生成的噪声 latents，从高斯分布中抽样，用作图像生成的输入。可以用来调整相同生成物的不同提示。如果不提供，将通过提供的随机 generator 生成 latents 张量。
• prompt_embeds (Optional[torch.FloatTensor], 默认为 None) — 预生成的文本嵌入。可以用来轻松修改文本输入，例如提示权重。如果不提供，将由 prompt 输入参数生成文本嵌入。
• negative_prompt_embeds (Optional[torch.FloatTensor], 默认值为 None) — 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。如果没有提供，negative_prompt_embeds 将从 negative_prompt 输入参数生成。
• pooled_prompt_embeds (Optional[torch.FloatTensor], 默认值为 None) — 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，池化文本嵌入将根据 prompt 输入参数生成。
• negative_pooled_prompt_embeds (Optional[torch.FloatTensor], 默认值为 None) — 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。如果没有提供，池化的 negative_prompt_embeds 将根据 negative_prompt 输入参数生成。
• output_type (Optional[str], 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, 默认为 True) — 是否返回 diffusers.pipelines.stable_diffusion_xl.StableDiffusionXLPipelineOutput 而不是纯元组。
• callback (Optional[Callable], 默认为 None) — 在推理过程中每 callback_steps 步调用一次的函数。该函数将使用以下参数调用：callback(step: int, timestep: int, latents: torch.FloatTensor)。
• callback_steps（《int》，《默认值为1》）—— callback 函数将被调用的频率。如果没有指定，回调将在每个步骤中调用。
• cross_attention_kwargs（《dict》，《默认值为None》）—— 一个kwargs字典，如果指定，则传递给AttentionProcessor，如self.processor下定义的diffusers.models.attention_processor。
• guidance_rescale（《float》，《可选》，《默认值为0.0》）—— 由Common Diffusion Noise Schedules and Sample Steps are Flawed 提出的指南重缩放因子。guidance_scale 定义为方程 16 中的 φ。指南重缩放因子应解决使用零终端信噪比时的过度曝光问题。
• original_size (Optional[Tuple[int, int]], 默认为 (1024, 1024)) — 如果 original_size 与 target_size 不相同，图像将看起来是下采样或上采样。如果不指定，则默认为 (width, height)。SDXL 的微条件部分，如第 2.2 节所述 https://huggingface.co/papers/2307.01952。
• crops_coords_top_left (Tuple[int], 默认为 (0, 0)) — crops_coords_top_left 可以用于从 crops_coords_top_left 位置向下切割的图像。通常通过将 crops_coords_top_left 设置为 (0, 0) 来实现中心对齐的图像。SDXL 的微条件部分，如第 2.2 节所述 https://huggingface.co/papers/2307.01952。
• target_size (Tuple[int], 默认 (1024, 1024)) — 对于大多数情况，应将 target_size 设置为生成图像所需的宽度和高度。如果不指定，默认为 (width, height)。SDXL 的微条件部分，如第 2.2 节所述 https://huggingface.co/papers/2307.01952。
• negative_original_size （Tuple[int]，默认为（1024, 1024）） — 通过特定图像分辨率对生成过程进行负向条件处理。是SDXL中2.2节所述微观条件的一部分https://huggingface.co/papers/2307.01952。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]，默认为（0, 0）） — 基于特定裁剪坐标对生成过程进行负向条件处理。是SDXL中2.2节所述微观条件的一部分https://huggingface.co/papers/2307.01952。更多信息，请参阅此问题线程：https://github.com/huggingface/diffusers/issues/4208。
• negative_target_size （Tuple[int]，默认为（1024, 1024）） — 基于目标图像分辨率对生成过程进行负向条件处理。在大多数情况下应与target_size相同。是SDXL中2.2节所述微观条件的一部分https://huggingface.co/papers/2307.01952。更多信息，请参阅此问题线程：https://github.com/huggingface/diffusers/issues/4208。
• clip_skip (Optional[int], 默认为 None) — 在计算提示嵌入时跳过的CLIP层数。1表示使用预最终层的输出进行提示嵌入的计算。

diffusers.pipelines.stable_diffusion_xl.StableDiffusionXLPipelineOutput 如果 return_dict 为 True，否则为 tuple。返回元组时，第一个元素是一个包含生成的图像的列表。

参数

• prompt (Optional[Union[str, List[str]]], 默认为 None) — 指导图像生成的提示或提示列表。如果没有定义，则需要传递 prompt_embeds。
• prompt_2 (Optional[Union[str, List[str]]], 默认为 None) — 发送到 tokenizer_2 和 text_encoder_2 的提示或提示列表。如果没有定义，则在两个文本编码器中使用 prompt。
• image (可选["PipelineImageInput"]，默认为None) — 使用流水线修改的图像。
• strength (浮点数，默认为0.3) — 概念上指示对参考image进行变换的程度。必须在0和1之间。较大的strength值会让噪声更多。去噪步骤的数量取决于最初添加的噪声量。当strength为1时，添加的噪声最大，去噪过程将运行至num_inference_steps指定的迭代次数。因此，1相当于实际上忽略了image。注意，如果将denoising_start声明为整数，则忽略strength的值。
• num_inference_steps (整数，默认为50) — 去噪步骤的数量。更多的去噪步骤通常会导致图像质量更高，但推理速度会变慢。
• guidance_scale （float，默认为 7.5） — 指导缩放因子，如无分类扩散指导中定义。 guideline_scale 被定义为Images论文中方程2的 w。启用指导缩放因子（即设置 guidance_scale > 1）。更高的指导缩放因子鼓励生成与文本 prompt 密切相关的图像，通常以较低的图像质量为代价。
• negative_prompt （Optional[Union[str, List[str]]]，默认为 None） — 不用于指导图像生成的提示或提示。如果没有定义，必须使用 negative_prompt_embeds。当不使用指导时（即，如果 guidance_scale 小于 1，则忽略）。
• negative_prompt_2 （Optional[Union[str, List[str]]]，默认为 None） — 不用于指导图像生成的提示或提示，将会发送到 tokenizer_2 和 text_encoder_2。如果没有定义，两个文本编码器都会使用 negative_prompt。
• num_images_per_prompt （int，默认为1） — 每个提示生成的图像数量。如果它与编译时使用的批处理大小不同，它将由neuron的静态批处理大小覆盖（除动态批处理外）。
• eta （float，默认为0.0） — 与DDIM论文中的eta参数相对应：[https://arxiv.org/abs/2010.02502](https://arxiv.org/abs/2010.02502)。仅适用于schedulers.DDIMScheduler，对于其他情况将被忽略。
• generator （Optional[Union[torch.Generator, List[torch.Generator]]]，默认为None） — 一组或一组torch生成器，用于使生成具有确定性。
• latents (Optional[torch.FloatTensor], 默认为 None) — 预生成的噪声latents，从高斯分布中采样，用于图像生成。可用于用不同的提示调整相同的生成。如果没有提供，将使用提供的随机 generator 生成latents张量。
• prompt_embeds (Optional[torch.FloatTensor], 默认为 None) — 预生成的文本嵌入。可用于轻松调整文本输入，例如调整提示权重。如果没有提供，将从 prompt 输入参数生成文本嵌入。
• negative_prompt_embeds (Optional[torch.FloatTensor], 默认为 None) — 预生成的负文本嵌入。可用于轻松调整文本输入，例如调整提示权重。如果没有提供，将使用 negative_prompt 输入参数生成负 promover Einschübe。
• pooled_prompt_embeds (Optional[torch.FloatTensor], 默认为 None) - 预生成的文本嵌入。可以用来轻松调整文本输入，例如提示词权重。如果没有提供，将根据 prompt 输入参数生成文本嵌入。
• negative_pooled_prompt_embeds (Optional[torch.FloatTensor], 默认为 None) - 预生成的负文本嵌入。可以用来轻松调整文本输入，例如提示词权重。如果没有提供，将根据 negative_prompt 输入参数生成负文本嵌入。
• output_type (Optional[str], 默认为 "pil") - 生成的图像的输出格式。选择之间的 PIL: PIL.Image.Image 或 np.array。
• 返回数据字典（返回类型为布尔值，默认为True） — 是否返回一个该类型对象 diffusers.pipelines.stable_diffusion.StableDiffusionXLPipelineOutput 而不是一个普通的元组。
• 回调函数（可调用类型 Optional[Callable]，默认为None） — 在推理中的每步之后将调用的函数。函数将以以下参数调用：callback(step: int, timestep: int, latents: torch.FloatTensor)。
• 回调步骤频率（整型，默认为1） — 回调函数将被调用的频率。如果不指定，回调将在每步后被调用。
• cross_attention_kwargs (Optional[Dict[str, Any]], 默认为 None) — 如果指定，则将kwargs字典传递给在diffusers.models.attention_processor中定义的AttentionProcessor。
• guidance_rescale (float, 默认为 0.0) — 由Common Diffusion Noise Schedules and Sample Steps are Flawed提出的指导缩放因子，定义在Common Diffusion Noise Schedules and Sample Steps are Flawed的公式的16中。当使用零终端SNR时，指导缩放因子应解决过曝光问题。
• original_size (Optional[Tuple[int, int]], 默认为 (1024, 1024)) — 如果original_size与target_size不同，则图像看起来会被下采样或上采样。《code》original_size` 默认为 (width, height)，如果没有指定。SDXL的微观条件的一部分，如https://huggingface.co/papers/2307.01952的第2.2节中所述。
• crops_coords_top_left (Tuple[int], 默认为 (0, 0)) — 可以通过 crops_coords_top_left 生成从 crops_coords_top_left 位置向下裁剪的图像。通常通过设置 crops_coords_top_left 为 (0, 0) 来获得居中的图像。这是 SDXL 的微条件化的一部分，如第 2.2 节所述 https://huggingface.co/papers/2307.01952。
• target_size (Tuple[int], 默认为 (1024, 1024)) — 对于大多数情况，应将 target_size 设置为所生成图像的期望高度和宽度。如果没有指定，则默认为 (width, height)。这是 SDXL 的微条件化的一部分，如第 2.2 节所述 https://huggingface.co/papers/2307.01952。
• negative_original_size (Tuple[int], 默认为 (1024, 1024)) — 基于特定图像分辨率来对生成过程进行负条件化。这是 SDXL 的微条件化的一部分，如第 2.2 节所述 https://huggingface.co/papers/2307.01952。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], 默认为 (0, 0)) — 根据特定裁剪坐标对生成过程进行负向条件。是 SDXL 的微条件的一部分，如第 2.2 节所述 https://huggingface.co/papers/2307.01952。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], 默认为 (1024, 1024)) — 根据目标图像分辨率对生成过程进行负向条件。在大多数情况下应与 target_size 相同。是 SDXL 的微条件的一部分，如第 2.2 节所述 https://huggingface.co/papers/2307.01952。有关更多信息，请参阅此问题线程：https://github.com/huggingface/diffusers/issues/4208。
• aesthetic_score (float, 默认为 6.0) — 通过影响正文本条件来模拟生成的图像的美学评分。是 SDXL 的微条件的一部分，如第 2.2 节所述 https://huggingface.co/papers/2307.01952。
• negative_aesthetic_score （float，默认值为2.5） — SDXL微观条件的组成部分，如2.2节所述。可以通过影响负文本条件来模拟生成图像的美学评分。
• clip_skip （Optional[int]，默认为None） — 在计算提示嵌入时，从CLIP中跳过的层数。值为1表示将使用预最终层的输出来计算提示嵌入。

diffusers.pipelines.stable_diffusion.StableDiffusionXLPipelineOutput 如果return_dict为True，否则为一个元组。当返回一个元组时，第一个元素是一个包含生成图像的列表。

参数

• prompt (Optional[Union[str, List[str]]], 默认为 None) — 引导图像生成的提示或提示列表。如未定义，必须传递 prompt_embeds。
• prompt_2 (Optional[Union[str, List[str]]], 默认为 None) — 要发送到 tokenizer_2 和 text_encoder_2 的提示词或提示词列表。如果没有定义，则同时在两个文本编码器中使用 prompt。
• image (Optional["PipelineImageInput"], 默认为 None) — 图像或表示图像批次的张量，将被修复。即图像的某些部分将使用 mask_image 进行遮罩，并根据 prompt 重新着色。
• mask_image (Optional["PipelineImageInput"], 默认为 None) — 遮罩 image 使用的图像或表示图像批次的张量。遮罩中的白色像素将被重新着色，而黑色像素将被保留。如果 mask_image 是 PIL 图像，则在使用之前将其转换为单通道（亮度）。如果是张量，则应包含一个颜色通道（L）而不是 3 个，因此期望的形状为 (B, H, W, 1)。
• padding_mask_crop （可选int类型，默认None） — 在裁剪时应用到图像和遮罩边的边距大小。如果为None，则不对图像和mask_image进行裁剪。如果padding_mask_crop不为None，则会先找到一个与图像相同长宽比的矩形区域，包含所有被遮罩区域，然后根据padding_mask_crop将该区域扩展。之后，将基于扩展区域裁剪图像和mask_image，然后根据修补大小调整大小。这在遮罩区很小而图像很大且含有对修补不相关信息（如背景）时很有用。
• strength （浮点数，默认0.9999） — 概念上表示对参照图像中遮罩部分进行转换的程度。必须在0和1之间。image将用作起点，增加更多噪声。strength值越大，添加的噪声越多。去噪步骤的数量取决于最初添加的噪声量。当strength值为1时，添加的噪声最大，去噪过程将运行到指定在num_inference_steps中的完整迭代次数。因此，值为1时实际上忽略了参照image的遮罩部分。注意，如果将denoising_start声明为整数，则将忽略strength的值。
• num_inference_steps （整数，默认值为50） — 去噪步骤的数量。更多的去噪步骤通常会导致更高的图像质量，但会降低推理速度。
• timesteps （整数列表的可选参数，默认为None） — 使用支持在 set_timesteps 方法中包含 timesteps 参数的调度器进行去噪过程的自定义时间步。如果没有定义，将使用当 num_inference_steps 传递时的默认行为。必须按降序排列。
• denoising_start （浮点数的可选参数，默认为None） — 当指定时，表示在开始之前跳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，并且假设传递的 image 是部分去噪的图像。请注意，当指定此参数时，将忽略强度。该 denoising_start 参数在将此管道集成到“混合去噪器”多管道设置时特别有用，如优化图像输出中详细说明。
• denoising_end (Optional[float], 默认为 None) — 当指定时，确定在人工提前终止前完成的总去噪过程的分步（介于 0.0 和 1.0 之间）。因此，返回的样本将仍然保留大量噪声（大约需要最终 20% 的时间步长），应该由一个设置为 denoising_start 为 0.8 的后续管道去噪，以仅去噪调度器的最后 20%。当此管道作为“去噪器混合”多管道设置的一部分时，应尽可能使用 denoising_end 参数，如 精炼图像输出 中所述。
• guidance_scale (float, 默认为 7.5) — 如 无分类器扩散指导 中定义的指导尺度。在 Imagen 论文 公式 2 中的 guidance_scale 被定义为 w。启用指导尺度时，需要设置 guidance_scale > 1。较高的指导尺度会鼓励生成与文本 prompt 密切相关的图像，但通常以牺牲图像质量为代价。
• negative_prompt (Optional[Union[str, List[str]]], 默认为 None) — 不用于指导图像生成的提示或提示列表。如果未定义，必须传递 negative_prompt_embeds。不使用指导时忽略（即，如果 guidance_scale 小于 1 时忽略）。
• negative_prompt_2 (Optional[Union[str, List[str]]], 默认为 None) — 不用于引导图像生成的提示，发送到 tokenizer_2 和 text_encoder_2。如果未定义，则使用两个文本编码器中的 negative_prompt。
• prompt_embeds (Optional[torch.FloatTensor], 默认为 None) — 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 (Optional[torch.FloatTensor], 默认为 None) — 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 输入参数生成负文本嵌入。
• pooling_prompt_embeds (Optional[torch.FloatTensor]，默认为None）—预生成的池化文本嵌入。可以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_pooling_prompt_embeds (Optional[torch.FloatTensor]，默认为None）—预生成的负池化文本嵌入。可以用于轻松修改文本输入，例如提示权重。如果没有提供，将从negative_prompt输入参数生成负池化嵌入。
• num_images_per_prompt (int，默认为1）—每个提示生成的图像数量。
• eta (float, 默认为 0.0) — 对应 DDIM 论文中的参数 eta (η)，见 https://arxiv.org/abs/2010.02502。仅适用于 schedulers.DDIMScheduler，其他情况将被忽略。
• generator (Optional[Union[torch.Generator, List[torch.Generator]]], 默认为 None) — 一个或多个 torch 生成器，用于使生成过程确定。
• latents (Optional[torch.FloatTensor], 默认为 None) — 预生成的带有噪声的 latents，从高斯分布中采样，用于作为图像生成的输入。可以用于用不同的提示调整相同的生成。如果没有提供，将使用提供的随机 generator 生成分量表示的 latents。
• output_type (Optional[str], 默认为 "pil") —— 生成图像的输出格式。在PIL：PIL.Image.Image 或 np.array 中选择。
• return_dict (bool, 默认为 True) —— 是否返回一个 ~pipelines.stable_diffusion.StableDiffusionPipelineOutput 而不是一个普通的元组。
• cross_attention_kwargs (Optional[Dict[str, Any]], 默认为 None) —— 一个kwargs字典，如果指定，将传递给diffusers.models.attention_processor中定义的'valueAttentionProcessor'。
• original_size (元组[int]，默认为 (1024, 1024)） — 如果 original_size 与 target_size 不相同，则图像看起来会被下采样或上采样。如果不指定，则默认为 (高度, 宽度)。这是 SDXL 的微观条件的一部分，如第 2.2 节所述https://huggingface.co/papers/2307.01952。
• crops_coords_top_left (元组[int]，默认为 (0, 0)） — 可以使用 crops_coords_top_left 生成从位置 crops_coords_top_left 向下裁剪的图像。通过将 crops_coords_top_left 设置为 (0, 0) 通常可以获得良好居中的图像。这是 SDXL 的微观条件的一部分，如第 2.2 节所述https://huggingface.co/papers/2307.01952。
• target_size (元组[int]，默认为 (1024, 1024)） — 对于大多数情况，应将 target_size 设置为期望的图像高度和宽度。如果不指定，则默认为 (高度, 宽度)。这是 SDXL 的微观条件的一部分，如第 2.2 节所述https://huggingface.co/papers/2307.01952。
• negative_original_size (元组[int]，默认为 (1024, 1024)) — 基于特定图像分辨率对生成过程进行负条件化。SDXL 微条件的一部分，参见第 2.2 节 https://huggingface.co/papers/2307.01952。获取更多信息，请参阅此问题线程：https://github.com/huggingface/diffusers/issues/4208。
• negative_crops_coords_top_left (元组[int]，默认为 (0, 0)) — 基于特定的裁剪坐标对生成过程进行负条件化。SDXL 微条件的一部分，参见第 2.2 节 https://huggingface.co/papers/2307.01952。获取更多信息，请参阅此问题线程：https://github.com/huggingface/diffusers/issues/4208。
• negative_target_size (元组[int]，默认为 (1024, 1024)) — 基于目标图像分辨率对生成过程进行负条件化。在大多数情况下应与 target_size 相同。SDXL 微条件的一部分，参见第 2.2 节 https://huggingface.co/papers/2307.01952。获取更多信息，请参阅此问题线程：https://github.com/huggingface/diffusers/issues/4208。
• 审美得分 (float，默认值为6.0) — 用于通过影响积极文本条件来模拟生成图像的审美得分。SDXL微条件的一部分，如第2.2节所述https://huggingface.co/papers/2307.01952 。
• 负面审美得分 (float，默认值为2.5) — SDXL微条件的一部分，如第2.2节所述https://huggingface.co/papers/2307.01952 。可用于通过影响负面文本条件来模拟生成图像的审美得分。
• clip_skip (Optional[int]，默认值为None) — 跳过CLIP计算提示嵌入时的层数。值为1表示将使用前最终层的输出计算提示嵌入。
• callback_on_step_end (Optional[Callable[[int, int, Dict], None]], 默认 None) — 一个在推理期间的去噪步骤结束调用的函数。该函数使用以下参数调用：callback_on_step_end(self: DiffusionPipeline, step: int, timestep: int, callback_kwargs: Dict)。 callback_kwargs 将包括由 callback_on_step_end_tensor_inputs 指定的所有张量列表。
• callback_on_step_end_tensor_inputs (List[str], 默认 [<“latents”>]) — 为 callback_on_step_end 函数指定的张量输入列表。列表中指定的张量将作为 callback_kwargs 参数传递。您只能包含您的流水线类 ._callback_tensor_inputs 属性中列出的变量。

如果 return_dict 是 True，则为 diffusers.pipelines.stable_diffusion.StableDiffusionXLPipelineOutput，否则为 tuple。返回一个元组时，第一个元素是一个包含生成的图像的列表。