diffusers/v0.43.0/zh/api/models/autoencoder_rae.md

AutoencoderRAE

由纽约大学 VISIONx 的 Boyang Zheng、Nanye Ma、Shengbang Tong 和 Saining Xie 在 Diffusion Transformers with Representation Autoencoders 中提出的表示自编码器（RAE）模型。

RAE 将冻结的预训练视觉编码器（DINOv2、SigLIP2 或 MAE）与可训练的 ViT-MAE 风格解码器相结合。在 RAE 的两阶段训练流程中，第一阶段（重建）训练自编码器，第二阶段（生成）则在所得的潜在空间上训练扩散模型。

以下 RAE 模型已在 Diffusers 中发布并得到支持：

模型	编码器	潜在形状（224px 输入）
nyu-visionx/RAE-dinov2-wReg-base-ViTXL-n08	DINOv2-base	768 x 16 x 16
nyu-visionx/RAE-dinov2-wReg-base-ViTXL-n08-i512	DINOv2-base (512px)	768 x 32 x 32
nyu-visionx/RAE-dinov2-wReg-small-ViTXL-n08	DINOv2-small	384 x 16 x 16
nyu-visionx/RAE-dinov2-wReg-large-ViTXL-n08	DINOv2-large	1024 x 16 x 16
nyu-visionx/RAE-siglip2-base-p16-i256-ViTXL-n08	SigLIP2-base	768 x 16 x 16
nyu-visionx/RAE-mae-base-p16-ViTXL-n08	MAE-base	768 x 16 x 16

加载预训练模型

from diffusers import AutoencoderRAE

model = AutoencoderRAE.from_pretrained(
    "nyu-visionx/RAE-dinov2-wReg-base-ViTXL-n08"
).to("cuda").eval()  # or "mps", "xpu", "cpu"

对真实图像进行编码和解码

import torch
from diffusers import AutoencoderRAE
from diffusers.utils import load_image
from torchvision.transforms.functional import to_tensor, to_pil_image

model = AutoencoderRAE.from_pretrained(
    "nyu-visionx/RAE-dinov2-wReg-base-ViTXL-n08"
).to("cuda").eval()  # or "mps", "xpu", "cpu"

image = load_image("https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/diffusers/cat.png")
image = image.convert("RGB").resize((224, 224))
x = to_tensor(image).unsqueeze(0).to("cuda")  # (1, 3, 224, 224), values in [0, 1]

with torch.no_grad():
    latents = model.encode(x).latent        # (1, 768, 16, 16)
    recon = model.decode(latents).sample     # (1, 3, 256, 256)

recon_image = to_pil_image(recon[0].clamp(0, 1).cpu())
recon_image.save("recon.png")

潜在归一化

某些预训练检查点包含用于归一化潜在空间的逐通道 latents_mean 和 latents_std 统计量。如果存在这些统计量，encode 和 decode 将分别自动应用归一化和反归一化。

model = AutoencoderRAE.from_pretrained(
    "nyu-visionx/RAE-dinov2-wReg-base-ViTXL-n08"
).to("cuda").eval()  # or "mps", "xpu", "cpu"

# Latent normalization is handled automatically inside encode/decode
# when the checkpoint config includes latents_mean/latents_std.
with torch.no_grad():
    latents = model.encode(x).latent   # normalized latents
    recon = model.decode(latents).sample

AutoencoderRAE[[diffusers.AutoencoderRAE]]

diffusers.AutoencoderRAE[[diffusers.AutoencoderRAE]]

diffusers.AutoencoderRAE(encoder_type: str = 'dinov2', encoder_hidden_size: int = 768, encoder_patch_size: int = 14, encoder_num_hidden_layers: int = 12, decoder_hidden_size: int = 512, decoder_num_hidden_layers: int = 8, decoder_num_attention_heads: int = 16, decoder_intermediate_size: int = 2048, patch_size: int = 16, encoder_input_size: int = 224, image_size: int | None = None, num_channels: int = 3, encoder_norm_mean: list | None = None, encoder_norm_std: list | None = None, latents_mean: typing.Union[list, tuple, torch.Tensor, NoneType] = None, latents_std: typing.Union[list, tuple, torch.Tensor, NoneType] = None, noise_tau: float = 0.0, reshape_to_2d: bool = True, use_encoder_loss: bool = False, scaling_factor: float = 1.0)

源代码

参数：

encoder_type (str，可选，默认为 "dinov2")：要使用的冻结编码器类型。可选值为 "dinov2"、"siglip2" 或 "mae"。

encoder_hidden_size (int，可选，默认为 768)：编码器模型的隐藏层大小。

encoder_patch_size (int，可选，默认值为 14)：编码器模型的 patch size。

encoder_num_hidden_layers (int，可选，默认值为 12)：编码器模型中的隐藏层数。

patch_size (int，可选，默认为 16)：解码器 patch 大小（用于 unpatchify 和解码器头）。

encoder_input_size (int，可选，默认为 224)：编码器所需的输入尺寸。

image_size (int, optional) : 解码器输出图像尺寸。如果为 None，则根据编码器 token 数量和 patch_size 推导，方式与 RAE-main 相同：image_size = patch_size * sqrt(num_patches)，其中 num_patches = (encoder_input_size // encoder_patch_size) ** 2。

num_channels (int，可选，默认为 3)：输入/输出通道数。

encoder_norm_mean (list，可选，默认为 [0.485, 0.456, 0.406])：用于编码器输入归一化的逐通道均值（ImageNet 默认值）。

encoder_norm_std (list，可选，默认为 [0.229, 0.224, 0.225])：用于编码器输入归一化的逐通道标准差（ImageNet 默认值）。

latents_mean (list 或 tuple，可选)：用于潜在变量归一化的可选均值。接受张量输入，并将其转换为可序列化为配置的列表。

latents_std (list 或 tuple，可选)：用于潜在变量归一化的可选标准差。接受张量输入，并将其转换为可序列化为配置的列表。

noise_tau (float, 可选，默认为 0.0)：训练时的噪声水平（在训练过程中向潜变量添加噪声）。

reshape_to_2d (bool，可选，默认为 True)：是否将潜变量重塑为 2D (B, C, H, W) 格式。

use_encoder_loss (bool，可选，默认为 False)：是否在损失中使用编码器隐藏状态（用于高级训练）。

用于将图像编码为潜在表示（latents）并将潜在表示解码为图像的表示自编码器（RAE）模型。

该模型使用冻结的预训练编码器（DINOv2、SigLIP2 或 MAE）配合可训练的 ViT 解码器，从学习到的表示中重建图像。

该模型继承自 ModelMixin。有关为所有模型实现的通用方法（例如下载或保存），请查阅其父类文档。

encode[[diffusers.AutoencoderRAE.encode]]

encode(x: Tensor, return_dict: bool = True, generator: typing.Optional[torch.Generator] = None)

源代码

decode[[diffusers.AutoencoderRAE.decode]]

decode(z: Tensor, return_dict: bool = True)

源代码

forward[[diffusers.AutoencoderRAE.forward]]

forward(sample: Tensor, return_dict: bool = True, generator: typing.Optional[torch.Generator] = None)

源代码

参数：

sample (torch.Tensor) : 输入样本。

return_dict (bool，可选，默认为 True)：是否返回 DecoderOutput 而不是普通元组。

generator (torch.Generator，可选)：一个 torch.Generator，用于使采样过程具有确定性。

返回： DecoderOutput 或 tuple

如果 return_dict 为 True，则返回 DecoderOutput，否则返回普通的 tuple。

DecoderOutput[[diffusers.models.autoencoders.vae.DecoderOutput]]

diffusers.models.autoencoders.vae.DecoderOutput[[diffusers.models.autoencoders.vae.DecoderOutput]]

diffusers.models.autoencoders.vae.DecoderOutput(sample: Tensor, commit_loss: typing.Optional[torch.FloatTensor] = None)

源代码

参数：

sample (torch.Tensor，形状为 (batch_size, num_channels, height, width))：模型最后一层解码后的输出样本。

解码方法的输出。