diffusers/main/ko/api/models/wan_animate_transformer_3d.md

WanAnimateTransformer3DModel

Alibaba Wan Team의 Wan Animate에서 3D 비디오 유사 데이터용 Diffusion Transformer 모델이 소개되었습니다.

다음 코드 스니펫으로 모델을 로드할 수 있습니다.

from diffusers import WanAnimateTransformer3DModel

transformer = WanAnimateTransformer3DModel.from_pretrained("Wan-AI/Wan2.2-Animate-14B-Diffusers", subfolder="transformer", dtype=torch.bfloat16)

WanAnimateTransformer3DModel[[diffusers.WanAnimateTransformer3DModel]]

diffusers.WanAnimateTransformer3DModel[[diffusers.WanAnimateTransformer3DModel]]

diffusers.WanAnimateTransformer3DModel(patch_size: tuple = (1, 2, 2), num_attention_heads: int = 40, attention_head_dim: int = 128, in_channels: int | None = 36, latent_channels: int | None = 16, out_channels: int | None = 16, text_dim: int = 4096, freq_dim: int = 256, ffn_dim: int = 13824, num_layers: int = 40, cross_attn_norm: bool = True, qk_norm: str | None = 'rms_norm_across_heads', eps: float = 1e-06, image_dim: int | None = 1280, added_kv_proj_dim: int | None = None, rope_max_seq_len: int = 1024, pos_embed_seq_len: int | None = None, motion_encoder_channel_sizes: dict[str, int] | None = None, motion_encoder_size: int = 512, motion_style_dim: int = 512, motion_dim: int = 20, motion_encoder_dim: int = 512, face_encoder_hidden_dim: int = 1024, face_encoder_num_heads: int = 4, inject_face_latents_blocks: int = 5, motion_encoder_batch_size: int = 8)

소스

매개변수:

patch_size (tuple[int], 기본값 (1, 2, 2)) : 비디오 임베딩을 위한 3D 패치 차원 (t_patch, h_patch, w_patch).

num_attention_heads (int, 기본값 40) : 텍스트 임베딩의 고정 길이입니다.

attention_head_dim (int, 기본값 128) : 각 헤드(head)의 채널 수입니다.

in_channels (int, 기본값 16) : 입력의 채널 수.

out_channels (int, 기본값 16) : 출력의 채널 수.

text_dim (int, 기본값 512) : 텍스트 임베딩의 입력 차원입니다.

freq_dim (int, 기본값 256) : 사인oidal 시간 임베딩의 차원.

ffn_dim (int, 기본값 13824) : 피드포워드 네트워크의 중간 차원.

num_layers (int, 기본값 40) : 사용할 transformer 블록의 레이어 수입니다.

window_size (tuple[int], 기본값 (-1, -1)) : 로컬 어텐션의 윈도우 크기(-1은 글로벌 어텐션을 나타냅니다).

cross_attn_norm (bool, 기본값 True) : cross-attention 정규화를 활성화합니다.

qk_norm (bool, 기본값 True) : query/key 정규화를 활성화합니다.

eps (float, 기본값 1e-6) : 정규화 레이어에 사용되는 Epsilon 값.

image_dim (int, 선택 사항, 기본값 1280) : 이미지 임베딩에 사용할 채널 수입니다. None인 경우 투영이 사용되지 않습니다.

added_kv_proj_dim (int, 선택 사항, 기본값 5120) : 추가된 key 및 value projection에 사용할 채널 수입니다. None인 경우 projection이 사용되지 않습니다.

WanAnimate 모델에서 비디오와 유사한 데이터에 사용되는 Transformer 모델입니다.

forward[[diffusers.WanAnimateTransformer3DModel.forward]]

forward(hidden_states: Tensor, timestep: LongTensor, encoder_hidden_states: Tensor, encoder_hidden_states_image: typing.Optional[torch.Tensor] = None, pose_hidden_states: typing.Optional[torch.Tensor] = None, face_pixel_values: typing.Optional[torch.Tensor] = None, motion_encode_batch_size: int | None = None, return_dict: bool = True, attention_kwargs: dict[str, typing.Any] | None = None)

소스

매개변수:

hidden_states (torch.Tensor, shape (B, 2C + 4, T + 1, H, W)) : shape가 (B, 2C + 4, T + 1, H, W)인 입력 노이즈 비디오 latents입니다. 여기서 B는 배치 크기, C는 latent 채널 수(Wan VAE의 경우 16), T는 추론 세그먼트의 latent 프레임 수, H는 latent 높이, W는 latent 너비입니다.

timestep : (torch.LongTensor): 디노이징 루프의 현재 타임스텝.

encoder_hidden_states (torch.Tensor) : 텍스트 인코더(umT5 for Wan Animate)에서 생성된 텍스트 임베딩

encoder_hidden_states_image (torch.Tensor) : 참조(캐릭터) 이미지의 CLIP 시각적 특징.

pose_hidden_states (torch.Tensor, shape (B, C, T, H, W)) : Pose video latents. TODO: description

face_pixel_values (torch.Tensor, shape (B, C', S, H', W')) : 픽셀 공간의 얼굴 비디오(잠재 공간이 아님). 일반적으로 C' = 3이며, H'와 W'는 픽셀 단위 얼굴 비디오의 높이/너비입니다. 여기서 S는 추론 세그먼트 길이로, 보통 77로 설정됩니다.

motion_encode_batch_size (int, 선택 사항) : 모션 인코더를 통해 얼굴 비디오를 배치 인코딩할 때 사용할 배치 크기. 설정되지 않으면 self.config.motion_encoder_batch_size가 기본값으로 사용됩니다.

return_dict (bool, 선택 사항, 기본값 True) : 출력을 dict 또는 tuple로 반환할지 여부.

attention_kwargs (dict, 선택 사항) : 지정된 경우 diffusers.models.attention_processor의 self.processor 아래에서 정의된 AttentionProcessor로 전달되는 kwargs 사전입니다.

반환값: ~models.transformer_2d.Transformer2DModelOutput 또는 tuple

return_dict가 True이면, sample가 노이즈 제거된 비디오 잠재 변수인 ~models.transformer_2d.Transformer2DModelOutput이 반환되고, 그렇지 않으면 첫 번째 요소가 해당 텐서인 일반 tuple이 반환됩니다.

Wan2.2-Animate transformer 모델의 Forward pass.

Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

diffusers.models.modeling_outputs.Transformer2DModelOutput[[diffusers.models.modeling_outputs.Transformer2DModelOutput]]

diffusers.models.modeling_outputs.Transformer2DModelOutput(sample: torch.Tensor)

소스

매개변수:

sample (torch.Tensor, shape (batch_size, num_channels, height, width) 또는 Transformer2DModel이 discrete인 경우 (batch size, num_vector_embeds - 1, num_latent_pixels)) : encoder_hidden_states 입력에 조건부인 hidden states 출력입니다. discrete인 경우, 노이즈가 제거된 latent 픽셀에 대한 확률 분포를 반환합니다.

Transformer2DModel의 출력입니다.