Diffusers documentation
ChronoEditTransformer3DModel
ChronoEditTransformer3DModel
来自 NVIDIA 和多伦多大学的 ChronoEdit: Towards Temporal Reasoning for Image Editing and World Simulation 的 3D 类视频数据 Diffusion Transformer 模型，作者为 Jay Zhangjie Wu、Xuanchi Ren、Tianchang Shen、Tianshi Cao、Kai He、Yifan Lu、Ruiyuan Gao、Enze Xie、Shiyi Lan、Jose M. Alvarez、Jun Gao、Sanja Fidler、Zian Wang 和 Huan Ling。
摘要：ChronoEdit 将图像编辑重新定义为视频生成任务，利用输入图像和编辑后的图像作为起始帧和结束帧，从而借助具有时间一致性的预训练视频模型。时间推理阶段引入了推理 token，以确保编辑结果在物理上合理，并可视化编辑轨迹。
可以使用以下代码片段加载该模型。
from diffusers import ChronoEditTransformer3DModel
transformer = ChronoEditTransformer3DModel.from_pretrained("nvidia/ChronoEdit-14B-Diffusers", subfolder="transformer", dtype=torch.bfloat16)ChronoEditTransformer3DModel
class diffusers.ChronoEditTransformer3DModel
< source >( patch_size: tuple[int] = (1, 2, 2)num_attention_heads: int = 40attention_head_dim: int = 128in_channels: int = 16out_channels: int = 16text_dim: int = 4096freq_dim: int = 256ffn_dim: int = 13824num_layers: int = 40cross_attn_norm: bool = Trueqk_norm: str | None = 'rms_norm_across_heads'eps: float = 1e-06image_dim: int | None = Noneadded_kv_proj_dim: int | None = Nonerope_max_seq_len: int = 1024pos_embed_seq_len: int | None = Nonerope_temporal_skip_len: int = 8 )
参数
- patch_size (
tuple[int]，默认为(1, 2, 2)) — 用于视频嵌入的 3D patch 维度 (t_patch, h_patch, w_patch)。 - num_attention_heads (
int，默认为40) — 文本嵌入的固定长度。 - attention_head_dim (
int，默认为128) — 每个头中的通道数。 - in_channels (
int，默认为16) — 输入数据的通道数。 - out_channels (
int，默认为16) — 输出中的通道数。 - text_dim (
int，默认为512) — 文本嵌入的输入维度。 - freq_dim (
int，默认为256) — 正弦时间嵌入的维度。 - ffn_dim (
int，默认为13824) — 前馈网络中的中间维度。 - num_layers (
int，默认为40) — 要使用的 transformer 块层数。 - window_size (
tuple[int]，默认为(-1, -1)) — 局部注意力的窗口大小（-1 表示全局注意力）。 - cross_attn_norm（
bool，默认为True）— 启用交叉注意力归一化。 - qk_norm (
bool，默认为True) — 启用查询/键归一化。 - eps (
float，默认为1e-6) — 归一化层的 epsilon 值。 - add_img_emb (
bool，默认为False) — 是否使用 img_emb。 - added_kv_proj_dim (
int，可选，默认为None) — 用于附加的 key 和 value 投影的通道数。如果为None，则不使用投影。
用于 ChronoEdit 模型中处理类视频数据的 Transformer 模型。
forward
< source >( hidden_states: Tensortimestep: LongTensorencoder_hidden_states: Tensorencoder_hidden_states_image: typing.Optional[torch.Tensor] = Nonereturn_dict: bool = Trueattention_kwargs: dict[str, typing.Any] | None = None )
参数
- hidden_states（形状为
(batch_size, num_channels, num_frames, height, width)的torch.Tensor）— 输入的hidden_states。 - timestep (
torch.LongTensor) — 用于指示去噪步骤。 - encoder_hidden_states (
torch.Tensor，形状为(batch_size, sequence_len, embed_dims)) — 要使用的条件嵌入（从输入条件（例如提示词）计算得出的嵌入）。 - encoder_hidden_states_image (
torch.Tensor, 可选) — 用于图像条件生成的条件图像嵌入。 - return_dict (
bool，可选，默认为True) — 是否返回~models.transformer_2d.Transformer2DModelOutput而不是普通的元组。 - attention_kwargs (
dict, 可选) — 一个 kwargs 字典，如果指定，将传递给 diffusers.models.attention_processor 中定义的AttentionProcessor，该处理器在self.processor下定义。
ChronoEditTransformer3DModel 的前向方法。
Transformer2DModelOutput
类 diffusers.models.modeling_outputs.Transformer2DModelOutput
< source >( sample: torch.Tensor )
参数
- sample（形状为
(batch_size, num_channels, height, width)的torch.Tensor，或者如果 Transformer2DModel 是离散的，则为(batch size, num_vector_embeds - 1, num_latent_pixels)）— 以encoder_hidden_states输入为条件的隐藏状态输出。如果是离散的，则返回未加噪潜在像素的概率分布。
Transformer2DModel 的输出。