Buckets:

hf-doc-build
/

doc

Files

xet

hf-doc-build/doc / diffusers /main /tr /api /models /ltx2_diffusion_decoder.md

mishig

about 15 hours ago

preview code

download

raw

12.5 kB

# LTX2VideoDiffusionDecoderModel

Lightricks tarafından LTX-2.5'te tanıtılan difüzyon video kodlayıcısı. Mahalle-dikkat (neighborhood-attention) aşamaları, gizli değişkeni (latent) bir bağlam hacmine (context volume) yukarı örnekler (upsample) ve son aşama, bu bağlama koşullu olarak pikselleri gürültüden arındırır (denoise).

Bu bir oto-ansamblör değil, bir çözücüdür: kodlama [AutoencoderKLLTX2Video](/docs/diffusers/main/tr/api/models/autoencoderkl_ltx_2#diffusers.AutoencoderKLLTX2Video) ile birlikte kalır ve bu model, onun gizli uzayını değiştirmeden tüketir; bu nedenle gizli değişkenler, konvolüsyonel çözücü ile bu model arasında değiştirilebilir. Kendi başına bir difüzyon modeli olduğu için, bir hattın `vae` parametresi olarak geçirilmek yerine [LTX2VideoDiffusionDecodePipeline](/docs/diffusers/main/tr/api/pipelines/ltx2#diffusers.LTX2VideoDiffusionDecodePipeline) tarafından sürülür: herhangi bir LTX-2 hattını `output_type="latent"` ile çalıştırın, ardından çözümlen.

```python
import torch
from diffusers import LTX2Pipeline, LTX2VideoDiffusionDecodePipeline, LTX2VideoDiffusionDecoderModel
pipe = LTX2Pipeline.from_pretrained("Lightricks/LTX-2.5-Diffusers", dtype=torch.bfloat16).to("cuda")  # or "mps", "xpu", "cpu"
latents = pipe(prompt="a potter shaping a clay vase", output_type="latent").frames
decoder = LTX2VideoDiffusionDecoderModel.from_pretrained(
    "Lightricks/LTX-2.5-Diffusers", subfolder="diffusion_decoder", dtype=torch.bfloat16
).to("cuda")
decode_pipe = LTX2VideoDiffusionDecodePipeline(diffusion_decoder=decoder, scheduler=pipe.scheduler)
# `denormalize=False`: `output_type="latent"` already applied the latent statistics, so applying them
# again here would scale every channel by its std a second time.
# The decoder also draws the noise it denoises, so decoding is only reproducible with a generator.
video = decode_pipe(
    latents, generator=torch.Generator("cuda").manual_seed(0), denormalize=False
).frames[0]
```

`vae`, çözümleme hattında isteğe bağlı bir bileşendir: yalnızca `denormalize=True` olduğunda gizli değişken istatistikleri için başvurulur ve çözümleyici kendi istatistiklerini taşır, bu nedenle yalnızca çözümleme içeren bir iş akışı ikinci bir oto-kodlayıcı yüklemek zorunda değildir.

## Dikkat arka uçları

Mahalle-dikkat penceresi bir `BlockMask` olarak ifade edilir, bu nedenle decoder varsayılan olarak `flex` dikkat arka ucunda çalışır ve ek bir bağımlılık gerektirmez. PyTorch, siz istemedikçe `flex_attention` derlemesini yapmaz ve derlenmemiş hali tam puan matrisini somutlaştırır — bu da tam çözünürlüklü dizi uzunluklarında uygulanabilir değildir. Bu durumlar için ya decoder'ı derleyin ya da orijinal uygulamanın da kullandığı [NATTEN](https://github.com/SHI-Labs/NATTEN) çekirdeklerine geçin. İşleyici, NATTEN'i [`kernels`](https://github.com/huggingface/kernels) paketi aracılığıyla Hub'dan ([`shi-labs/natten`](https://huggingface.co/shi-labs/natten)) alır, bu yüzden yerel bir NATTEN derlemesi yerine `pip install kernels` gerekir:

```python
from diffusers.models.autoencoders.ltx2_diffusion_decoder import LTX2VideoVaeNeighborhoodNattenProcessor
decoder.set_attn_processor(LTX2VideoVaeNeighborhoodNattenProcessor())
```

Hub'dan çekirdek indirme kodunu alır, bu nedenle uzaktan kod küresel olarak `DIFFUSERS_DISABLE_REMOTE_CODE=true` ile devre dışı bırakıldığında işlemci hata fırlatır.

Decoder'daki her dikkat modülü aynı komşuluk dikkatidir (çekirdek boyutu gibi aşama bazlı farklar işlemcide değil, modülde bulunur), bu nedenle `set_attn_processor` hepsini tek bir paylaşılan örnekle değiştirir.

*backend*'in (`decoder.set_attention_backend(...)`) `flex` dışında herhangi bir değere değiştirilmesi şu hatayı verir: başka hiçbir backend `BlockMask`'i kabul etmez. Bunun yerine yukarıdaki NATTEN işleyicisini kullanın.

## Dolgu

`decoder.enable_tiling()`, tepe bellek kullanımını video boyutu yerine karoların boyutuyla sınırlamak için üst üste binen karolar halinde çözer ve bu karoları birleştirir. Ucuz erken aşama büyütme (upsampling) aşamaları hâlâ tam latent alanı görür; yalnızca çözüme bellek açısından baskın olan son büyütme aşaması ve difüzyon aşaması karolara göre çalışır — bu nedenle karolama, çıktıyı yalnızca karo sınırlarına yakın bölgelerde değiştirir. Difüzyon aşaması her karoyu ayrı ayrı gürültüden arındırdığı için, karolu bir çözüm, karosuz sonucu tam olarak yeniden üretmez; varsayılan karo ve örtüşme boyutları, referans uygulamanınkilerle eşleşir. Komşuluk dikkati (neighborhood attention), çekirdeğinden daha küçük herhangi bir ızgarayı reddettiğinden, sonundaki artan karo, kendi başına çözülmek yerine komşusuyla birleştirilir.

## LTX2VideoDiffusionDecoderModel[[diffusers.LTX2VideoDiffusionDecoderModel]]

#### diffusers.LTX2VideoDiffusionDecoderModel[[diffusers.LTX2VideoDiffusionDecoderModel]]

```python
diffusers.LTX2VideoDiffusionDecoderModel(out_channels: int = 3, latent_channels: int = 128, patch_size: int = 4, scaling_factor: float = 1.0, decoder_head_dim: int = 64, decoder_stage_channels: tuple = (2048, 1024, 512, 512, 256), decoder_stage_depths: tuple = (4, 6, 4, 2, 8), decoder_stage_kernels: tuple = ((3, 7, 7), (3, 7, 7), (3, 5, 5), (3, 5, 5)), decoder_upsample_strides: tuple = ((1, 2, 2), (2, 1, 1), (2, 2, 2), (2, 2, 2)), decoder_upsample_channel_reductions: tuple = (2, 2, 1, 2), decoder_stage5_kernel: tuple = (11, 11, 11), decoder_t_emb_dim: int = 384, decoder_timestep_scale_multiplier: float = 1000.0, decoder_model_output_type: str = 'x0', decoder_num_inference_steps: int = 1, spatial_compression_ratio: int = 32, temporal_compression_ratio: int = 8)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/ltx2_diffusion_decoder.py#L700)

LTX-2.5'te tanıtılan LTX-2 difüzyon video kodlayıcısı.

Bu bir otoenkoder değil, bir çözücüdür: enkoderi yoktur ve latent üretemez. Kodlama, [AutoencoderKLLTX2Video](/docs/diffusers/main/tr/api/models/autoencoderkl_ltx_2#diffusers.AutoencoderKLLTX2Video) ile kalır; bu bileşen, o bileşenin latent uzayını değiştirmeden kullanır, bu nedenle latentler konvansiyonel çözücü ile bu çözücü arasında değiştirilebilir.

Ayrıca deterministik bir çözücü değil, bir difüzyon modelidir — latentlerden oluşturulan bir bağlam hacmine koşullu olarak pikselleri gürültüden arındırır — bu nedenle bir pipeline'ın `vae` olarak geçirilmesi yerine [LTX2VideoDiffusionDecodePipeline](/docs/diffusers/main/tr/api/pipelines/ltx2#diffusers.LTX2VideoDiffusionDecodePipeline) tarafından yönlendirilir.

Latent istatistikler, decode hattının ikinci bir otoenkoder yüklemesine gerek kalmadan, yalnızca iki vektör için denormalizasyon yapabildiği için burada tamponlar olarak taşınır.

Bu model [ModelMixin](/docs/diffusers/main/tr/api/models/overview#diffusers.ModelMixin) sınıfından devralır. Tüm modeller için uygulanan genel yöntemlerini (indirme veya kaydetme gibi) görmek için üst sınıfın belgelendirmesine bakın.

#### decode[[diffusers.LTX2VideoDiffusionDecoderModel.decode]]

```python
decode(z: Tensor, generator: typing.Optional[torch.Generator] = None, num_inference_steps: int | None = None, return_dict: bool = True)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/ltx2_diffusion_decoder.py#L988)

Bir latent grubunu çözümlenir.

`z`'in zaten normalleştirilmemiş olması beklenir (pipeline `latents_mean` / `latents_std` uygular), bu da [AutoencoderKLLTX2Video](/docs/diffusers/main/tr/api/models/autoencoderkl_ltx_2#diffusers.AutoencoderKLLTX2Video) ile uyumludur. Bu decoder gürültü temizler, bu nedenle yeniden üretilebilirlik için `generator` parametresini iletin.

#### enable_tiling[[diffusers.LTX2VideoDiffusionDecoderModel.enable_tiling]]

```python
enable_tiling(tile_sample_min_height: int | None = None, tile_sample_min_width: int | None = None, tile_sample_min_num_frames: int | None = None, tile_sample_stride_height: int | None = None, tile_sample_stride_width: int | None = None, tile_sample_stride_num_frames: int | None = None)
```

[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/ltx2_diffusion_decoder.py#L787)

**Parametreler:**

tile_sample_min_height (`int`, *isteğe bağlı*) : Piksel cinsinden, çözümlenmiş bir karoyun yüksekliği.
tile_sample_min_width (`int`, *isteğe bağlı*) : Piksel cinsinden, çözümlenmiş bir karoyun genişliği.

tile_sample_min_num_frames (`int`, *isteğe bağlı*) : Çözümlenmiş bir karoyun kare sayısı.

tile_sample_stride_height (`int`, *isteğe bağlı*) : İki ardışık dikey karonun üstleri arasındaki piksel cinsinden mesafe; `tile_sample_min_height` ile farkı, karışık örtüşmeyi ifade eder.

tile_sample_stride_width (`int`, *isteğe bağlı*) : İki ardışık yatay karonun sol kenarları arasındaki piksel cinsinden mesafe.
tile_sample_stride_num_frames (`int`, *isteğe bağlı*) : Ardışık iki zaman diliminin başlangıçları arasındaki kare cinsinden mesafe.
Döşemeli çözmeyi etkinleştirir. Son aşamadan önceki deterministik yukarı örneklemeye aşamaları her zaman tam latent'i işler (düşük çözünürlükte çalışırlar ve maliyetleri düşüktür); çözmeyi bellek açısından baskın kılan son aşama ve 5. aşama difüzyon blokları ise dikişleri doğrusal olarak karıştırılan örtüşen döşemeler üzerinde çalışır.
#### disable_tiling[[diffusers.LTX2VideoDiffusionDecoderModel.disable_tiling]]
```python
disable_tiling()
```
[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/ltx2_diffusion_decoder.py#L824)
Döşemeli çözmeyi devre dışı bırakın ve tüm videoyu tek geçişte çözmeye geri dönün.
#### forward[[diffusers.LTX2VideoDiffusionDecoderModel.forward]]
```python
forward(z: Tensor, generator: typing.Optional[torch.Generator] = None, num_inference_steps: int | None = None, return_dict: bool = True)
```
[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/ltx2_diffusion_decoder.py#L1017)
**Parametreler:**
z (`torch.Tensor`) : `(B, C, F, H, W)` boyutunda, zaten normalizasyonu kaldırılmış (pipeline `latents_mean` / `latents_std` uygular) ve [AutoencoderKLLTX2Video](/docs/diffusers/main/tr/api/models/autoencoderkl_ltx_2#diffusers.AutoencoderKLLTX2Video) ile eşleşen latentler.
generator (`torch.Generator`, *isteğe bağlı*) : Bu decoder gürültü azaltma işlemini gerçekleştirdiğinden, çözümlemeyi tekrarlanabilir kılmak için bir üreteç (generator) iletin.
num_inference_steps (`int`, *isteğe bağlı*) : Gürültü azaltma adım sayısı. Varsayılan olarak decoder'ın `decoder_num_inference_steps` yapılandırma değerine ayarlanır.

return_dict (`bool`, *isteğe bağlı*, varsayılan `True`) : Düz bir tuple yerine [DecoderOutput](/docs/diffusers/main/tr/api/models/autoencoderkl_qwenimage#diffusers.models.autoencoders.vae.DecoderOutput) döndürülüp döndürülmemesi.
**Dönüş:** [DecoderOutput](/docs/diffusers/main/tr/api/models/autoencoderkl_qwenimage#diffusers.models.autoencoders.vae.DecoderOutput) veya `tuple`
#### tiled_decode[[diffusers.LTX2VideoDiffusionDecoderModel.tiled_decode]]
```python
tiled_decode(z: Tensor, generator: typing.Optional[torch.Generator] = None, num_inference_steps: int | None = None)
```
[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/ltx2_diffusion_decoder.py#L855)
Bir latent grubunu, son deterministik aşama ve her karoyu (tile) için ayrı ayrı çalışan difüzyon aşamasıyla çözümlendirin.
Tiles, son deterministik aşamaya giren ızgarada yaşar; bu aşamada bir hücre, sabit bir çıktı piksel bloğuna eşlenir. `tile_sample_*` boyutları bu ızgaraya dönüştürülür, bu nedenle hücre boyutunun katları olmalıdır (üretim yapılandırması için uzaysal olarak 8 px ve zamansal olarak 2 kare). Zamansal tiles, nedensel kare eşlemesini izler: t=0 içeren tile, zamansal yukarı örneklemenin kopya başlangıç karesini atar ve yalnızca video sonunu içeren tile NATTEN sınır dolgusunu taşır.

Xet Storage Details

Size:: 12.5 kB
Xet hash:: 8d1b02a679f5ec3d637e913b2deb7db5cadb5a2dec35d30ffd2507da20ebbefa

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.

	# LTX2VideoDiffusionDecoderModel

	Lightricks tarafından LTX-2.5'te tanıtılan difüzyon video kodlayıcısı. Mahalle-dikkat (neighborhood-attention) aşamaları, gizli değişkeni (latent) bir bağlam hacmine (context volume) yukarı örnekler (upsample) ve son aşama, bu bağlama koşullu olarak pikselleri gürültüden arındırır (denoise).

	Bu bir oto-ansamblör değil, bir çözücüdür: kodlama [AutoencoderKLLTX2Video](/docs/diffusers/main/tr/api/models/autoencoderkl_ltx_2#diffusers.AutoencoderKLLTX2Video) ile birlikte kalır ve bu model, onun gizli uzayını değiştirmeden tüketir; bu nedenle gizli değişkenler, konvolüsyonel çözücü ile bu model arasında değiştirilebilir. Kendi başına bir difüzyon modeli olduğu için, bir hattın `vae` parametresi olarak geçirilmek yerine [LTX2VideoDiffusionDecodePipeline](/docs/diffusers/main/tr/api/pipelines/ltx2#diffusers.LTX2VideoDiffusionDecodePipeline) tarafından sürülür: herhangi bir LTX-2 hattını `output_type="latent"` ile çalıştırın, ardından çözümlen.

	```python
	import torch
	from diffusers import LTX2Pipeline, LTX2VideoDiffusionDecodePipeline, LTX2VideoDiffusionDecoderModel

	pipe = LTX2Pipeline.from_pretrained("Lightricks/LTX-2.5-Diffusers", dtype=torch.bfloat16).to("cuda") # or "mps", "xpu", "cpu"
	latents = pipe(prompt="a potter shaping a clay vase", output_type="latent").frames

	decoder = LTX2VideoDiffusionDecoderModel.from_pretrained(
	"Lightricks/LTX-2.5-Diffusers", subfolder="diffusion_decoder", dtype=torch.bfloat16
	).to("cuda")
	decode_pipe = LTX2VideoDiffusionDecodePipeline(diffusion_decoder=decoder, scheduler=pipe.scheduler)

	# `denormalize=False`: `output_type="latent"` already applied the latent statistics, so applying them
	# again here would scale every channel by its std a second time.
	# The decoder also draws the noise it denoises, so decoding is only reproducible with a generator.
	video = decode_pipe(
	latents, generator=torch.Generator("cuda").manual_seed(0), denormalize=False
	).frames[0]
	```

	`vae`, çözümleme hattında isteğe bağlı bir bileşendir: yalnızca `denormalize=True` olduğunda gizli değişken istatistikleri için başvurulur ve çözümleyici kendi istatistiklerini taşır, bu nedenle yalnızca çözümleme içeren bir iş akışı ikinci bir oto-kodlayıcı yüklemek zorunda değildir.

	## Dikkat arka uçları

	Mahalle-dikkat penceresi bir `BlockMask` olarak ifade edilir, bu nedenle decoder varsayılan olarak `flex` dikkat arka ucunda çalışır ve ek bir bağımlılık gerektirmez. PyTorch, siz istemedikçe `flex_attention` derlemesini yapmaz ve derlenmemiş hali tam puan matrisini somutlaştırır — bu da tam çözünürlüklü dizi uzunluklarında uygulanabilir değildir. Bu durumlar için ya decoder'ı derleyin ya da orijinal uygulamanın da kullandığı [NATTEN](https://github.com/SHI-Labs/NATTEN) çekirdeklerine geçin. İşleyici, NATTEN'i [`kernels`](https://github.com/huggingface/kernels) paketi aracılığıyla Hub'dan ([`shi-labs/natten`](https://huggingface.co/shi-labs/natten)) alır, bu yüzden yerel bir NATTEN derlemesi yerine `pip install kernels` gerekir:

	```python
	from diffusers.models.autoencoders.ltx2_diffusion_decoder import LTX2VideoVaeNeighborhoodNattenProcessor

	decoder.set_attn_processor(LTX2VideoVaeNeighborhoodNattenProcessor())
	```

	Hub'dan çekirdek indirme kodunu alır, bu nedenle uzaktan kod küresel olarak `DIFFUSERS_DISABLE_REMOTE_CODE=true` ile devre dışı bırakıldığında işlemci hata fırlatır.

	Decoder'daki her dikkat modülü aynı komşuluk dikkatidir (çekirdek boyutu gibi aşama bazlı farklar işlemcide değil, modülde bulunur), bu nedenle `set_attn_processor` hepsini tek bir paylaşılan örnekle değiştirir.

	backend'in (`decoder.set_attention_backend(...)`) `flex` dışında herhangi bir değere değiştirilmesi şu hatayı verir: başka hiçbir backend `BlockMask`'i kabul etmez. Bunun yerine yukarıdaki NATTEN işleyicisini kullanın.

	## Dolgu

	`decoder.enable_tiling()`, tepe bellek kullanımını video boyutu yerine karoların boyutuyla sınırlamak için üst üste binen karolar halinde çözer ve bu karoları birleştirir. Ucuz erken aşama büyütme (upsampling) aşamaları hâlâ tam latent alanı görür; yalnızca çözüme bellek açısından baskın olan son büyütme aşaması ve difüzyon aşaması karolara göre çalışır — bu nedenle karolama, çıktıyı yalnızca karo sınırlarına yakın bölgelerde değiştirir. Difüzyon aşaması her karoyu ayrı ayrı gürültüden arındırdığı için, karolu bir çözüm, karosuz sonucu tam olarak yeniden üretmez; varsayılan karo ve örtüşme boyutları, referans uygulamanınkilerle eşleşir. Komşuluk dikkati (neighborhood attention), çekirdeğinden daha küçük herhangi bir ızgarayı reddettiğinden, sonundaki artan karo, kendi başına çözülmek yerine komşusuyla birleştirilir.

	## LTX2VideoDiffusionDecoderModel[[diffusers.LTX2VideoDiffusionDecoderModel]]

	#### diffusers.LTX2VideoDiffusionDecoderModel[[diffusers.LTX2VideoDiffusionDecoderModel]]

	```python
	diffusers.LTX2VideoDiffusionDecoderModel(out_channels: int = 3, latent_channels: int = 128, patch_size: int = 4, scaling_factor: float = 1.0, decoder_head_dim: int = 64, decoder_stage_channels: tuple = (2048, 1024, 512, 512, 256), decoder_stage_depths: tuple = (4, 6, 4, 2, 8), decoder_stage_kernels: tuple = ((3, 7, 7), (3, 7, 7), (3, 5, 5), (3, 5, 5)), decoder_upsample_strides: tuple = ((1, 2, 2), (2, 1, 1), (2, 2, 2), (2, 2, 2)), decoder_upsample_channel_reductions: tuple = (2, 2, 1, 2), decoder_stage5_kernel: tuple = (11, 11, 11), decoder_t_emb_dim: int = 384, decoder_timestep_scale_multiplier: float = 1000.0, decoder_model_output_type: str = 'x0', decoder_num_inference_steps: int = 1, spatial_compression_ratio: int = 32, temporal_compression_ratio: int = 8)
	```

	[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/ltx2_diffusion_decoder.py#L700)

	LTX-2.5'te tanıtılan LTX-2 difüzyon video kodlayıcısı.

	Bu bir otoenkoder değil, bir çözücüdür: enkoderi yoktur ve latent üretemez. Kodlama, [AutoencoderKLLTX2Video](/docs/diffusers/main/tr/api/models/autoencoderkl_ltx_2#diffusers.AutoencoderKLLTX2Video) ile kalır; bu bileşen, o bileşenin latent uzayını değiştirmeden kullanır, bu nedenle latentler konvansiyonel çözücü ile bu çözücü arasında değiştirilebilir.

	Ayrıca deterministik bir çözücü değil, bir difüzyon modelidir — latentlerden oluşturulan bir bağlam hacmine koşullu olarak pikselleri gürültüden arındırır — bu nedenle bir pipeline'ın `vae` olarak geçirilmesi yerine [LTX2VideoDiffusionDecodePipeline](/docs/diffusers/main/tr/api/pipelines/ltx2#diffusers.LTX2VideoDiffusionDecodePipeline) tarafından yönlendirilir.

	Latent istatistikler, decode hattının ikinci bir otoenkoder yüklemesine gerek kalmadan, yalnızca iki vektör için denormalizasyon yapabildiği için burada tamponlar olarak taşınır.

	Bu model [ModelMixin](/docs/diffusers/main/tr/api/models/overview#diffusers.ModelMixin) sınıfından devralır. Tüm modeller için uygulanan genel yöntemlerini (indirme veya kaydetme gibi) görmek için üst sınıfın belgelendirmesine bakın.

	#### decode[[diffusers.LTX2VideoDiffusionDecoderModel.decode]]

	```python
	decode(z: Tensor, generator: typing.Optional[torch.Generator] = None, num_inference_steps: int \| None = None, return_dict: bool = True)
	```

	[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/ltx2_diffusion_decoder.py#L988)

	Bir latent grubunu çözümlenir.

	`z`'in zaten normalleştirilmemiş olması beklenir (pipeline `latents_mean` / `latents_std` uygular), bu da [AutoencoderKLLTX2Video](/docs/diffusers/main/tr/api/models/autoencoderkl_ltx_2#diffusers.AutoencoderKLLTX2Video) ile uyumludur. Bu decoder gürültü temizler, bu nedenle yeniden üretilebilirlik için `generator` parametresini iletin.

	#### enable_tiling[[diffusers.LTX2VideoDiffusionDecoderModel.enable_tiling]]

	```python
	enable_tiling(tile_sample_min_height: int \| None = None, tile_sample_min_width: int \| None = None, tile_sample_min_num_frames: int \| None = None, tile_sample_stride_height: int \| None = None, tile_sample_stride_width: int \| None = None, tile_sample_stride_num_frames: int \| None = None)
	```

	[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/ltx2_diffusion_decoder.py#L787)

	Parametreler:

	tile_sample_min_height (`int`, isteğe bağlı) : Piksel cinsinden, çözümlenmiş bir karoyun yüksekliği.

	tile_sample_min_width (`int`, isteğe bağlı) : Piksel cinsinden, çözümlenmiş bir karoyun genişliği.

	tile_sample_min_num_frames (`int`, isteğe bağlı) : Çözümlenmiş bir karoyun kare sayısı.

	tile_sample_stride_height (`int`, isteğe bağlı) : İki ardışık dikey karonun üstleri arasındaki piksel cinsinden mesafe; `tile_sample_min_height` ile farkı, karışık örtüşmeyi ifade eder.

	tile_sample_stride_width (`int`, isteğe bağlı) : İki ardışık yatay karonun sol kenarları arasındaki piksel cinsinden mesafe.

	tile_sample_stride_num_frames (`int`, isteğe bağlı) : Ardışık iki zaman diliminin başlangıçları arasındaki kare cinsinden mesafe.

	Döşemeli çözmeyi etkinleştirir. Son aşamadan önceki deterministik yukarı örneklemeye aşamaları her zaman tam latent'i işler (düşük çözünürlükte çalışırlar ve maliyetleri düşüktür); çözmeyi bellek açısından baskın kılan son aşama ve 5. aşama difüzyon blokları ise dikişleri doğrusal olarak karıştırılan örtüşen döşemeler üzerinde çalışır.

	#### disable_tiling[[diffusers.LTX2VideoDiffusionDecoderModel.disable_tiling]]

	```python
	disable_tiling()
	```

	[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/ltx2_diffusion_decoder.py#L824)

	Döşemeli çözmeyi devre dışı bırakın ve tüm videoyu tek geçişte çözmeye geri dönün.

	#### forward[[diffusers.LTX2VideoDiffusionDecoderModel.forward]]

	```python
	forward(z: Tensor, generator: typing.Optional[torch.Generator] = None, num_inference_steps: int \| None = None, return_dict: bool = True)
	```

	[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/ltx2_diffusion_decoder.py#L1017)

	Parametreler:

	z (`torch.Tensor`) : `(B, C, F, H, W)` boyutunda, zaten normalizasyonu kaldırılmış (pipeline `latents_mean` / `latents_std` uygular) ve [AutoencoderKLLTX2Video](/docs/diffusers/main/tr/api/models/autoencoderkl_ltx_2#diffusers.AutoencoderKLLTX2Video) ile eşleşen latentler.

	generator (`torch.Generator`, isteğe bağlı) : Bu decoder gürültü azaltma işlemini gerçekleştirdiğinden, çözümlemeyi tekrarlanabilir kılmak için bir üreteç (generator) iletin.

	num_inference_steps (`int`, isteğe bağlı) : Gürültü azaltma adım sayısı. Varsayılan olarak decoder'ın `decoder_num_inference_steps` yapılandırma değerine ayarlanır.

	return_dict (`bool`, isteğe bağlı, varsayılan `True`) : Düz bir tuple yerine [DecoderOutput](/docs/diffusers/main/tr/api/models/autoencoderkl_qwenimage#diffusers.models.autoencoders.vae.DecoderOutput) döndürülüp döndürülmemesi.

	Dönüş: [DecoderOutput](/docs/diffusers/main/tr/api/models/autoencoderkl_qwenimage#diffusers.models.autoencoders.vae.DecoderOutput) veya `tuple`

	#### tiled_decode[[diffusers.LTX2VideoDiffusionDecoderModel.tiled_decode]]

	```python
	tiled_decode(z: Tensor, generator: typing.Optional[torch.Generator] = None, num_inference_steps: int \| None = None)
	```

	[Kaynak](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/autoencoders/ltx2_diffusion_decoder.py#L855)

	Bir latent grubunu, son deterministik aşama ve her karoyu (tile) için ayrı ayrı çalışan difüzyon aşamasıyla çözümlendirin.

	Tiles, son deterministik aşamaya giren ızgarada yaşar; bu aşamada bir hücre, sabit bir çıktı piksel bloğuna eşlenir. `tile_sample_*` boyutları bu ızgaraya dönüştürülür, bu nedenle hücre boyutunun katları olmalıdır (üretim yapılandırması için uzaysal olarak 8 px ve zamansal olarak 2 kare). Zamansal tiles, nedensel kare eşlemesini izler: t=0 içeren tile, zamansal yukarı örneklemenin kopya başlangıç karesini atar ve yalnızca video sonunu içeren tile NATTEN sınır dolgusunu taşır.