Parâmetros

• num_train_timesteps (int, padrão 1000) — O número de etapas de difusão para treinar o modelo.
• beta_start (float, padrão 0.0001) — O valor inicial de beta para a inferência.
• beta_end (float, padrão 0.02) — O valor final de beta.
• beta_schedule ("linear", "scaled_linear" ou "squaredcos_cap_v2", padrão "linear") — O agendamento de beta, um mapeamento de um intervalo de beta para uma sequência de betas para o passo do modelo. Escolha entre linear, scaled_linear ou squaredcos_cap_v2.
• trained_betas (np.ndarray, opcional) — Passe um array de betas diretamente para o construtor para ignorar beta_start e beta_end.
• solver_order (int, padrão 2) — A ordem do UniPC, que pode ser qualquer inteiro positivo. A ordem de precisão efetiva é solver_order + 1 devido ao UniC. Recomenda-se usar solver_order=2 para amostragem guiada e solver_order=3 para amostragem incondicional.
• prediction_type ("epsilon", "sample", "v_prediction", or "flow_prediction", defaults to "epsilon", optional) — Prediction type of the scheduler function; can be epsilon (predicts the noise of the diffusion process), sample (directly predicts the noisy sample), v_prediction(see section 2.4 of [Imagen Video](https://huggingface.co/papers/2210.02303) paper), orflow_prediction`.
• thresholding (bool, padrão False) — Se deve usar o método de “limiar dinâmico”. Isso não é adequado para modelos de difusão em espaço latente, como o Stable Diffusion.
• dynamic_thresholding_ratio (float, padrão 0.995) — A proporção para o método de limiar dinâmico. Válido apenas quando thresholding=True.
• sample_max_value (float, padrão 1.0) — O valor de limiar para o thresholding dinâmico. Válido apenas quando thresholding=True e predict_x0=True.
• predict_x0 (bool, padrão True) — Se deve usar o algoritmo de atualização no x0 previsto.
• solver_type ("bh1" ou "bh2", padrão "bh2") — Tipo de solver para UniPC. Recomenda-se usar bh1 para amostragem incondicional quando steps < 10, e bh2 caso contrário.
• lower_order_final (bool, padrão True) — Se deve usar solucionadores de ordem inferior nas etapas finais. Válido apenas para < 15 etapas de inferência. Isso pode estabilizar a amostragem do DPMSolver para etapas < 15, especialmente para etapas <= 10.
• disable_corrector (list, padrão []) — Define em qual etapa desativar o corretor para mitigar o desalinhamento entre epsilon_theta(x_t, c) e epsilon_theta(x_t^c, c), o que pode influenciar a convergência para uma escala de orientação grande. O corretor é geralmente desativado durante as primeiras etapas.
• solver_p (SchedulerMixin, padrão None) — Qualquer outro scheduler que, se especificado, faz o algoritmo se tornar solver_p + UniC.
• use_karras_sigmas (bool, opcional, padrão False) — Se deve usar sigmas de Karras para os tamanhos de passo no agendamento de ruído durante o processo de amostragem. Se True, os sigmas são determinados de acordo com uma sequência de níveis de ruído {σi}.
• use_exponential_sigmas (bool, opcional, padrão False) — Se deve usar sigmas exponenciais para os tamanhos de passo no agendamento de ruído durante o processo de amostragem.
• use_beta_sigmas (bool, opcional, padrão False) — Se deve usar beta sigmas para os tamanhos de passo no agendamento de ruído durante o processo de amostragem. Consulte Beta Sampling is All You Need para mais informações.
• use_flow_sigmas (bool, opcional, padrão False) — Se deve usar sigmas de fluxo para os tamanhos de passo no agendamento de ruído durante o processo de amostragem.
• timestep_spacing ("linspace", "leading" ou "trailing", padrão "linspace") — A forma como os timesteps devem ser escalonados. Consulte a Tabela 2 do Common Diffusion Noise Schedules and Sample Steps are Flawed para mais informações.
• steps_offset (int, padrão 0) — Um deslocamento adicionado às etapas de inferência, conforme exigido por algumas famílias de modelos.
• final_sigmas_type ("zero" ou "sigma_min", padrão "zero") — O valor final de sigma para o agendamento de ruído durante o processo de amostragem. Se "sigma_min", o sigma final é o mesmo que o último sigma no agendamento de treinamento. Se zero, o sigma final é definido como 0.
• rescale_betas_zero_snr (bool, padrão False) — Se deve reescalar os betas para ter SNR terminal zero. Isso permite que o modelo gere amostras muito claras e escuras, em vez de limitá-lo a amostras com brilho médio. Relacionado de forma solta a --offset_noise.

Parâmetros

• prev_sample (torch.Tensor de forma (batch_size, num_channels, height, width) para imagens) — Amostra calculada (x_{t-1}) do passo de tempo anterior. prev_sample deve ser usado como entrada do modelo no loop de remoção de ruído.