Parâmetros

• patch_size (int, padrão 2) — O tamanho dos patches a serem usados na camada de incorporação de patches.
• in_channels (int, padrão 16) — O número de canais na entrada.
• num_layers (int, padrão 30) — O número de blocos de camadas de Transformer a serem usados.
• attention_head_dim (int, padrão 40) — O número de canais em cada cabeça.
• num_attention_heads (int, padrão 64) — O número de cabeças a serem usadas para a atenção multi-cabeça.
• out_channels (int, padrão 16) — O número de canais na saída.
• text_embed_dim (int, padrão 1472) — Dimensão de entrada dos embeddings de texto do codificador de texto.
• time_embed_dim (int, padrão 512) — Dimensão de saída dos embeddings de timestep.
• condition_dim (int, padrão 256) — A dimensão do embedding das condições de resolução no estilo SDXL de entrada (original_size, target_size, crop_coords).
• pos_embed_max_size (int, padrão 128) — A resolução máxima dos embeddings posicionais, da qual são extraídas fatias de forma H x W e adicionadas aos latentes em patches de entrada, onde H e W são, respectivamente, a altura e a largura do latente. Um valor de 128 significa que a altura e a largura máximas suportadas para a geração de imagens são 128 * vae_scale_factor * patch_size => 128 * 8 * 2 => 2048.
• sample_size (int, padrão 128) — A resolução base dos latentes de entrada. Se a altura/largura não for fornecida durante a geração, esse valor é usado para determinar a resolução como sample_size * vae_scale_factor => 128 * 8 => 1024