Parámetros

• num_train_timesteps (int, por defecto 1000) — El número de pasos de difusión para entrenar el modelo.
• beta_start (float, por defecto 0.0001) — El valor inicial de beta para la inferencia.
• beta_end (float, valor predeterminado 0.02) — El valor final de beta.
• beta_schedule ("linear", "scaled_linear" o "squaredcos_cap_v2", por defecto "linear") — El plan de betas, un mapeo desde un rango de betas a una secuencia de betas para dar pasos al modelo. Elija entre linear, scaled_linear o squaredcos_cap_v2.
• trained_betas (np.ndarray, opcional) — Pase un array de betas directamente al constructor para omitir beta_start y beta_end.
• solver_order (int, por defecto 2) — El orden de UniPC, que puede ser cualquier entero positivo. El orden de precisión efectivo es solver_order + 1 debido a UniC. Se recomienda usar solver_order=2 para muestreo guiado y solver_order=3 para muestreo 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, por defecto False) — Si se debe utilizar el método de “umbral dinámico”. No es adecuado para modelos de difusión en el espacio latente, como Stable Diffusion.
• dynamic_thresholding_ratio (float, valor predeterminado 0.995) — La proporción para el método de umbral dinámico. Solo es válido cuando thresholding=True.
• sample_max_value (float, por defecto 1.0) — El valor umbral para el umbral dinámico. Solo es válido cuando thresholding=True y predict_x0=True.
• predict_x0 (bool, por defecto True) — Si se debe utilizar el algoritmo de actualización en el x0 predicho.
• solver_type ("bh1" o "bh2", por defecto "bh2") — Tipo de solver para UniPC. Se recomienda usar bh1 para muestreo incondicional cuando steps < 10, y bh2 en caso contrario.
• lower_order_final (bool, por defecto True) — Si se deben usar solutores de orden inferior en los pasos finales. Solo es válido para < 15 pasos de inferencia. Esto puede estabilizar el muestreo de DPMSolver para pasos < 15, especialmente para pasos <= 10.
• disable_corrector (list, valor predeterminado []) — Determina en qué paso desactivar el corrector para mitigar el desalineamiento entre epsilon_theta(x_t, c) y epsilon_theta(x_t^c, c), lo cual puede influir en la convergencia para una escala de guía grande. El corrector suele desactivarse durante los primeros pasos.
• solver_p (SchedulerMixin, valor predeterminado None) — Cualquier otro programador que, si se especifica, hace que el algoritmo sea solver_p + UniC.
• use_karras_sigmas (bool, opcional, valor predeterminado False) — Si se deben usar sigmas de Karras para los tamaños de paso en el plan de ruido durante el proceso de muestreo. Si es True, los sigmas se determinan según una secuencia de niveles de ruido {σi}.
• use_exponential_sigmas (bool, opcional, valor predeterminado False) — Si se deben usar sigmas exponenciales para los tamaños de paso en el plan de ruido durante el proceso de muestreo.
• use_beta_sigmas (bool, opcional, valor predeterminado False) — Si se deben usar beta sigmas para los tamaños de paso en el programa de ruido durante el proceso de muestreo. Consulte Beta Sampling is All You Need para obtener más información.
• use_flow_sigmas (bool, opcional, valor predeterminado False) — Si se deben usar sigmas de flujo para los tamaños de paso en la programación de ruido durante el proceso de muestreo.
• timestep_spacing ("linspace", "leading" o "trailing", por defecto "linspace") — La forma en que deben escalarse los timesteps. Consulte la tabla 2 de Common Diffusion Noise Schedules and Sample Steps are Flawed para obtener más información.
• steps_offset (int, valor predeterminado 0) — Un desplazamiento que se suma a los pasos de inferencia, tal como lo requieren algunas familias de modelos.
• final_sigmas_type ("zero" o "sigma_min", por defecto "zero") — El valor final de sigma para el plan de ruido durante el proceso de muestreo. Si es "sigma_min", el sigma final es el mismo que el último sigma del plan de entrenamiento. Si es zero, el sigma final se establece en 0.
• rescale_betas_zero_snr (bool, por defecto False) — Si se deben reescalar los betas para tener un SNR terminal cero. Esto permite al modelo generar muestras muy brillantes y oscuras en lugar de limitarse a muestras con un brillo medio. Relacionado de forma laxa con --offset_noise.

Parámetros

• prev_sample (torch.Tensor de forma (batch_size, num_channels, height, width) para imágenes) — Muestra calculada (x_{t-1}) del paso de tiempo anterior. prev_sample debe usarse como entrada del modelo en el bucle de desruido.