参数

• in_channels (int，默认为 3) — 输入图像的通道数。
• out_channels (int, 默认为 3) — 输出中的通道数。
• down_block_types (tuple[str, ...]，默认为 ("AllegroDownBlock3D", "AllegroDownBlock3D", "AllegroDownBlock3D", "AllegroDownBlock3D")) — 字符串元组，指定要使用的下采样块类型。
• up_block_types (tuple[str, ...]，默认为 ("AllegroUpBlock3D", "AllegroUpBlock3D", "AllegroUpBlock3D", "AllegroUpBlock3D")) — 表示要使用的上采样块类型的字符串元组。
• block_out_channels (tuple[int, ...]，默认为 (128, 256, 512, 512)) — 整数元组，表示每个块中的输出通道数。
• temporal_downsample_blocks (tuple[bool, ...]，默认为 (True, True, False, False)) — 布尔值元组，用于指定在哪些块中启用时间下采样。
• latent_channels (int，默认为 4) — 潜在表示的通道数。
• layers_per_block (int，默认为 2) — 每个下采样/上采样块中 ResNet、注意力或时间卷积层的数量。
• act_fn (str，默认为 "silu") — 要使用的激活函数。
• norm_num_groups (int，默认为 32) — 归一化层中使用的组数。
• temporal_compression_ratio (int，默认为 4) — 样本时间维度的压缩比例。
• sample_size (int，默认为 320) — 默认的潜在尺寸。
• scaling_factor (float，默认为 0.13235) — 使用训练集的第一个批次计算得出的训练后潜在空间的逐分量标准差。在训练扩散模型时，用于将潜在空间缩放至单位方差。在将潜在变量传递给扩散模型之前，使用公式 z = z * scaling_factor 对其进行缩放。在解码时，使用公式 z = 1 / scaling_factor * z 将潜在变量缩放回原始尺度。更多详细信息，请参阅 High-Resolution Image Synthesis with Latent Diffusion Models 论文的 4.3.2 节和 D.1 节。
• force_upcast (bool，默认为 True) — 如果启用，将强制 VAE 在高分辨率图像流水线（例如 SD-XL）中以 float32 运行。VAE 可以微调/训练至更低的数值范围，而不会损失太多精度，此时可将 force_upcast 设置为 False - 参见：https://huggingface.co/madebyollin/sdxl-vae-fp16-fix

参数

• latent_dist (DiagonalGaussianDistribution) — Encoder 的编码输出，表示为 DiagonalGaussianDistribution 的均值和 logvar。 DiagonalGaussianDistribution 允许从该分布中采样潜在变量。

参数

• sample（形状为 (batch_size, num_channels, height, width) 的 torch.Tensor）— 模型最后一层解码输出的样本。