# Qwen-Image 2.1

Qwen-Image 2.1 は、プロンプトと条件画像を Qwen3-VL モデルで一緒にエンコードし、その後、単一ストリームのブロック因果型 Transformer を用いてターゲット画像のノイズ除去を行います。ブロック因果型アテンション、アテンションプロセッサ、および `causal_condition` については、[`QwenImage21Transformer2DModel`](../models/qwenimage21_transformer2d) を参照してください。

デフォルト値は Qwen が推奨する値です: 40 ステップ、guidance なし。`negative_prompt` と `true_cfg_scale > 1` を一緒に渡すことで classifier-free guidance を有効にできますが、これによりステップごとの計算量が2倍になります。

```python
import torch
from diffusers import QwenImage21Pipeline

pipe = QwenImage21Pipeline.from_pretrained("Qwen/Qwen-Image-2.1", dtype=torch.bfloat16).to("cuda")

# Text-to-image
image = pipe("A capybara wearing a wizard hat, oil painting").images[0]
image.save("t2i.png")

# Image-conditioned editing
edited = pipe("Move it to a snowy mountain top", image=image).images[0]
edited.save("edit.png")
```

## 複数の条件画像

`image` にリストを渡すと、各エントリが結合シーケンス内の独立したブロックになります。Qwen3-VL エンコーダーはこれらをビジョンコンテキストとして認識し、VAE はそれらの潜在トークンを提供します。ブロック因果アテンションにより、各ブロック内部では双方向アテンションが適用され、後続のブロックやターゲット画像が先行するブロックにアテンションを向けることが可能になります。したがって、渡した順序がモデルが読み取る順序になります。

```python
edited = pipe("Put the flowers from the first image into the second scene", image=[flowers, scene]).images[0]
```

## flex_attentionによる高速なattention

デフォルトの`QwenImage21AttnProcessor`は、ブロック因果プリフィルをプレフィックスセグメントごとに1回のattention呼び出しとして実行します。コンパイルは不要で、どのPyTorchビルドでも動作します。`QwenImage21FlexAttnProcessor`は、同じマスクを単一の`flex_attention`呼び出しとして表現し、モデルが**_コンパイル_**された後はより高速になります。

> [!TIP]
> flex プロセッサーに切り替える際は、モデルをコンパイルしてください。コンパイルされていない`flex_attention`は、fp32 で完全なアテンションスコア行列を物化するため、高速解像度でははるかに遅く、メモリ不足に陥ります。

```python
from diffusers.models.transformers.transformer_qwenimage21 import QwenImage21FlexAttnProcessor

pipe.transformer.set_attn_processor(QwenImage21FlexAttnProcessor())
pipe.transformer.compile()
```

## 単一ファイルのチェックポイントの読み込み

```python
import torch
from diffusers import QwenImage21Pipeline, QwenImage21Transformer2DModel

transformer = QwenImage21Transformer2DModel.from_single_file(
    "https://huggingface.co/Comfy-Org/Qwen-Image-2.1/blob/main/diffusion_models/qwen_image_2.1_bf16.safetensors",
    dtype=torch.bfloat16,
)
pipe = QwenImage21Pipeline.from_pretrained("Qwen/Qwen-Image-2.1", transformer=transformer, dtype=torch.bfloat16).to(
    "cuda"
)
```

## サンプリングシグマ

モデルの作成者は、パイプラインの設定内で`sample_sigmas`を使用してデフォルトのサンプリンググリッドを設定できます。リリースされたチェックポイントを読み込むと、そのデフォルトのグリッドとスケジューラーの設定が自動的に復元されます。

実行時に別のグリッドをテストするには、パイプラインの呼び出しに`sigmas`を渡します:

```python
# Use the checkpoint's default sampling grid.
image = pipe(prompt).images[0]

# Override the default grid for this call.
image = pipe(prompt, sigmas=[1.0, 0.8, 0.5, 0.2]).images[0]
```

上記のカスタムグリッドはAPIの仕組みを示しています。生成品質はチェックポイントとグリッドに依存します。Sigmaのリストには、スケジューラが末尾に追加するターミナルsigmaは含まれません。明示的に指定した`sigmas`は、設定済みの`sample_sigmas`を上書きし、どちらかのリストが`num_inference_steps`の代わりにステップ数を決定します。どちらも指定されない場合、パイプラインは`num_inference_steps`を使用してスケジュールを生成します。スケジューラは、どちらのグリッドに対しても設定済みの処理を適用します。

## モジュール化

Qwen-Image 2.1 は [モジュール型パイプライン](../../modular_diffusers/overview) としても利用できます。同じブロックでテキストから画像への生成と、画像条件付き生成を実行します。1 つ以上の画像を条件として指定するには、`image` を渡します。Classifier-free guidance は `true_cfg_scale` の呼び出し引数ではなく、`guider` コンポーネントを通じて設定します。また、プレフィックス KV キャッシュはデフォルトで有効になっています（`use_kv_cache=False` で無効化できます）。

```python
import torch
from diffusers import ClassifierFreeGuidance, ModularPipeline

pipe = ModularPipeline.from_pretrained("Qwen/Qwen-Image-2.1")
pipe.load_components(dtype=torch.bfloat16)
pipe.to("cuda")

image = pipe(prompt="A capybara wearing a wizard hat, oil painting").images[0]

# Turn classifier-free guidance on for an edit.
pipe.update_components(guider=ClassifierFreeGuidance(guidance_scale=4.0))
edited = pipe(prompt="Move it to a snowy mountain top", negative_prompt="blurry", image=image).images[0]
```

Turbo チェックポイントは独自のブロック ([QwenImage21TurboAutoBlocks](/docs/diffusers/main/ja/api/pipelines/qwenimage21#diffusers.QwenImage21TurboAutoBlocks)) にマッピングされます。`guider` なしで実行され、`negative_prompt` を受け取らず、チェックポイントに同梱されているシグマグリッドをサンプリングします。`ModularPipeline.from_pretrained` は、チェックポイントの config 内の `sample_sigmas` エントリから Turbo ブロックを選択するため、設定は不要です:

```python
import torch
from diffusers import ModularPipeline

pipe = ModularPipeline.from_pretrained("Qwen/Qwen-Image-2.1-Turbo")
pipe.load_components(dtype=torch.bfloat16)
pipe.to("cuda")

image = pipe(prompt="A capybara wearing a wizard hat, oil painting").images[0]
```

## QwenImage21Pipeline[[diffusers.QwenImage21Pipeline]]

#### diffusers.QwenImage21Pipeline[[diffusers.QwenImage21Pipeline]]

```python
diffusers.QwenImage21Pipeline(scheduler: FlowMatchEulerDiscreteScheduler, vae: AutoencoderKLQwenImage21, text_encoder: Qwen3VLForConditionalGeneration, processor: Qwen3VLProcessor, transformer: QwenImage21Transformer2DModel, sample_sigmas: list[float] | None = None)
```

[ソース](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/qwenimage21/pipeline_qwenimage21.py#L159)

**パラメータ:**

scheduler ([FlowMatchEulerDiscreteScheduler](/docs/diffusers/main/ja/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler)) : エンコードされた画像の潜在変数からノイズを除去するために使用されるスケジューラ。

vae ([AutoencoderKLQwenImage21](/docs/diffusers/main/ja/api/models/autoencoderkl_qwenimage21#diffusers.AutoencoderKLQwenImage21)) : 画像を64チャネルの潜在空間へ変換し、その逆変換も行う変分オートエンコーダー。

text_encoder (`Qwen3VLForConditionalGeneration`) : テキストと画像の埋め込みを同時に生成する Qwen3-VL モデル。

processor (`Qwen3VLProcessor`) : チャットテンプレートを構築し、プロンプトと条件画像をトークン化するプロセッサー。

transformer ([QwenImage21Transformer2DModel](/docs/diffusers/main/ja/api/models/qwenimage21_transformer2d#diffusers.QwenImage21Transformer2DModel)) : 潜在変数をデノイズする、単一ストリームのブロック因果型 Transformer です。

sample_sigmas (`list[float]`, *任意*) : モデル作成者が設定したデフォルトのサンプリングシグマ（ターミナルシグマを除く）。その長さがデノイジングステップ数を決定します。実行時に別のグリッドで実験する場合は、`sigmas` を `__call__` に渡してください。

Qwen-Image 2.1 によるテキストから画像への生成および画像条件付き生成。

プロンプトと条件画像はQwen3-VLモデルによって一緒にエンコードされるため、条件画像はエンコーダーがそのために確保したビジョンスロットを占有し、transformerはテキストと画像が交互に並んだ単一のシーケンスを参照します。

#### __call__[[diffusers.QwenImage21Pipeline.__call__]]

```python
__call__(prompt: str | list[str] = None, image: typing.Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor], NoneType] = None, negative_prompt: str | list[str] = None, true_cfg_scale: float = 1.0, height: int | None = None, width: int | None = None, num_inference_steps: int = 40, sigmas: list[float] | None = None, num_images_per_prompt: int = 1, generator: typing.Union[torch.Generator, list[torch.Generator], NoneType] = None, latents: typing.Optional[torch.Tensor] = None, prompt_embeds: typing.Optional[torch.Tensor] = None, prompt_embeds_mask: typing.Optional[torch.Tensor] = None, negative_prompt_embeds: typing.Optional[torch.Tensor] = None, negative_prompt_embeds_mask: typing.Optional[torch.Tensor] = None, output_type: str | None = 'pil', return_dict: bool = True, attention_kwargs: dict[str, typing.Any] | None = None, callback_on_step_end: typing.Optional[typing.Callable[[int, int, dict], NoneType]] = None, callback_on_step_end_tensor_inputs: list[str] = ['latents'], output_resolution: int = 1024, use_kv_cache: bool = True)
```

[ソース](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/qwenimage21/pipeline_qwenimage21.py#L509)

**パラメータ:**

prompt (`str` または `list[str]`、*省略可能*) : 画像生成をガイドするためのプロンプト。埋め込みを直接指定する場合は、代わりに `prompt_embeds` を渡します。

image (`PipelineImageInput`, *任意*) : PIL イメージまたは numpy 配列として指定される、1 つ以上の条件画像。これらはテキストエンコーダーによってビジョンコンテキストとしてエンコードされ、VAE によってノイズの前に付加される潜在トークンに変換されます。リストは、バッチ内のすべてのプロンプトで共有される 1 組の画像を意味し、プロンプトごとに 1 項目を指定するものではありません。

negative_prompt (`str` または `list[str]`、*省略可*) : 画像生成をガイドしないプロンプトです。`true_cfg_scale` が 1 より大きくない場合は無視されます。

true_cfg_scale (`float`、*任意*、デフォルト値は 1.0) : Classifier-free guidance のスケールです。`true_cfg_scale > 1` とネガティブプロンプトを併用することで有効になります。Qwen-Image 2.1 はガイダンスなしでサンプリングすることを前提としているため、デフォルト値は 1.0 です。

height (`int`, *省略可*) : 生成される画像のピクセル単位の縦幅。省略された場合、条件画像のアスペクト比から導出されます。

width (`int`, *省略可*) : 生成される画像の幅（ピクセル単位）。省略した場合、条件画像のアスペクト比から導出されます。

num_inference_steps (`int`, *optional*, デフォルトは 40) : デノイジングのステップ数。`sigmas` またはパイプラインで設定された `sample_sigmas` が使用される場合は無視されます。そのスケジュールの長さがステップ数を決定します。

sigmas (`list[float]`, *任意*) : この呼び出しで試行するサンプリングシグマのリストです。ターミナルシグマは除外されます。パイプラインで設定された `sample_sigmas` を上書きし、デノイジングのステップ数を決定します。スケジューラは、これらの値に対して設定された処理を適用します。

num_images_per_prompt (`int`、*optional*、デフォルトは 1) : プロンプトごとに生成される画像の数。

generator (`torch.Generator` または `list[torch.Generator]`、*任意*) : 生成を決定論的にするためのジェネレーター。

latents (`torch.Tensor`, *任意*) : 事前生成されたノイズ付き潜在変数。

prompt_embeds (`torch.Tensor`, *任意*) : 事前生成されたテキスト埋め込み。プロンプトエンコーディングをスキップします。これらと `prompt_embeds_mask` を一緒に渡してください。

prompt_embeds_mask (`torch.Tensor`, *任意*) : `prompt_embeds`の有効な位置を示すBoolマスク。

negative_prompt_embeds (`torch.Tensor`, *任意*) : `negative_prompt` の代わりに使用される、事前生成されたネガティブテキスト埋め込み。これらを使用する場合は、`negative_prompt_embeds_mask` も一緒に渡してください。

negative_prompt_embeds_mask (`torch.Tensor`, *任意*) : `negative_prompt_embeds`の有効な位置を示すブールマスク。

output_type (`str`、*任意*、デフォルトは`"pil"`) : 出力形式。`"pil"`、`"np"`、`"pt"`、または`"latent"`。

return_dict (`bool`、*任意*、デフォルトは `True`) : 通常のタプルではなく `~pipelines.qwenimage.QwenImagePipelineOutput` を返すかどうか。

attention_kwargs (`dict`, *任意*) : attention processor に渡されます。

callback_on_step_end (`Callable`、*任意*) : 各デノイジングステップの終了時に呼び出されます。

callback_on_step_end_tensor_inputs (`list[str]`、*任意*、デフォルトは `["latents"]`) : `callback_on_step_end` に渡すための、デノイジングループからのテンソルです。パイプラインの `_callback_tensor_inputs` に列挙されている必要があります。

output_resolution (`int`、*optional*、デフォルト値は 1024) : `height`/`width` を導出し、条件画像をリサイズするために使用するターゲットの辺の長さ。

use_kv_cache (`bool`、*任意*、デフォルトは `True`) : 最初のステップ以降、テキストおよび条件画像のキーとバリューをキャッシュします。`causal_condition` が `t = 0` からこれらのトークンを調整するため、それらのアクティベーションはステップに依存せず、このキャッシュは有効です。この設定を切り替えても、低精度ではビット単位で同一の画像を再現しません。キャッシュにより、デコードステップはプリフィルステップとは異なるシーケンスレイアウトでアテンションを行うため、タイル分割が異なり、丸め処理の結果も異なります。ただし、両者は fp32 の参照値に対して同じ許容誤差の範囲で一致します。最初のブロックでの 1 ULP の差は、32 個のブロックとすべてのサンプラーステップによって増幅されるため、両方の設定は同等に有効ですが、視覚的に異なるサンプルを生成します。サンプルを固定するには、このフラグを固定してください。

**戻り値:** `~pipelines.qwenimage.QwenImagePipelineOutput` または `tuple`

`return_dict` が True の場合は `~pipelines.qwenimage.QwenImagePipelineOutput`、それ以外の場合は生成された画像のリストを最初の要素とする `tuple` を返します。

生成用のパイプラインを呼び出したときに実行される関数。

例:
```py
>>> import torch
>>> from diffusers import QwenImage21Pipeline

>>> pipe = QwenImage21Pipeline.from_pretrained("Qwen/Qwen-Image-2.1", dtype=torch.bfloat16)
>>> pipe.to("cuda")
>>> prompt = "A capybara wearing a wizard hat, reading a book by candlelight, oil painting"
>>> image = pipe(prompt).images[0]
>>> image.save("qwenimage21.png")
```

#### encode_prompt[[diffusers.QwenImage21Pipeline.encode_prompt]]

```python
encode_prompt(prompt: str | list[str], image: list[typing.Union[PIL.Image.Image, numpy.ndarray, torch.Tensor, list[PIL.Image.Image], list[numpy.ndarray], list[torch.Tensor]]] | None = None, device: typing.Optional[torch.device] = None, num_images_per_prompt: int = 1, prompt_embeds: typing.Optional[torch.Tensor] = None, prompt_embeds_mask: typing.Optional[torch.Tensor] = None, image_pad_mask: typing.Optional[torch.Tensor] = None)
```

[ソース](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/qwenimage21/pipeline_qwenimage21.py#L339)

**パラメータ:**

prompt (`str` または `list[str]`、*省略可*) : エンコードするプロンプト。

image (`list[PipelineImageInput]`、*任意*) : プロンプトと同時にエンコードする条件画像。

device (`torch.device`) : Torch デバイス。

num_images_per_prompt (`int`) : プロンプトごとに生成される画像の数。

prompt_embeds (`torch.Tensor`, *任意*) : 事前に生成されたテキスト埋め込み。指定された場合、エンコーディングをスキップします。

## QwenImagePipelineOutput[[diffusers.pipelines.qwenimage.pipeline_output.QwenImagePipelineOutput]]

#### diffusers.pipelines.qwenimage.pipeline_output.QwenImagePipelineOutput[[diffusers.pipelines.qwenimage.pipeline_output.QwenImagePipelineOutput]]

```python
diffusers.pipelines.qwenimage.pipeline_output.QwenImagePipelineOutput(images: list[PIL.Image.Image] | numpy.ndarray)
```

[ソース](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/qwenimage/pipeline_output.py#L10)

**パラメータ:**

images (`list[PIL.Image.Image]` または `np.ndarray`) : 長さ `batch_size` のデノイズ済み PIL イメージのリスト、または形状 `(batch_size, height, width, num_channels)` の numpy 配列。PIL イメージまたは numpy 配列は、拡散パイプラインのデノイズ済みイメージを表します。

Stable Diffusion パイプライン用の出力クラスです。

## QwenImage21ModularPipeline[[diffusers.QwenImage21ModularPipeline]]

#### diffusers.QwenImage21ModularPipeline[[diffusers.QwenImage21ModularPipeline]]

```python
diffusers.QwenImage21ModularPipeline(blocks: diffusers.modular_pipelines.modular_pipeline.ModularPipelineBlocks | None = None, pretrained_model_name_or_path: str | os.PathLike | None = None, components_manager: diffusers.modular_pipelines.components_manager.ComponentsManager | None = None, collection: str | None = None, workflow: str | None = None, modular_config_dict: dict[str, typing.Any] | None = None, config_dict: dict[str, typing.Any] | None = None, **kwargs)
```

[ソース](https://github.com/huggingface/diffusers/blob/main/src/diffusers/modular_pipelines/qwenimage21/modular_pipeline.py#L23)

Qwen-Image 2.1 用の ModularPipeline。

## QwenImage21AutoBlocks[[diffusers.QwenImage21AutoBlocks]]

#### diffusers.QwenImage21AutoBlocks[[diffusers.QwenImage21AutoBlocks]]

```python
diffusers.QwenImage21AutoBlocks()
```

[ソース](https://github.com/huggingface/diffusers/blob/main/src/diffusers/modular_pipelines/qwenimage21/modular_blocks_qwenimage21.py#L497)

Qwen-Image 2.1 を用いたテキストから画像への生成および画像条件付き生成のための Auto Modular パイプライン。
- テキストから画像を生成するには、`prompt` を指定するだけで十分です。
- 画像条件付き生成を行うには、`prompt` と `image`（1枚の画像またはリスト）を指定する必要があります。

サポートされているワークフロー:
- `text2image`: `prompt` が必要です
- `image_conditioned`: `prompt`と`image`が必要です

コンポーネント: image_processor (`VaeImageProcessor`) text_encoder (`Qwen3VLForConditionalGeneration`) processor (`Qwen3VLProcessor`) vae (`AutoencoderKLQwenImage21`) scheduler (`FlowMatchEulerDiscreteScheduler`) guider (`ClassifierFreeGuidance`) transformer (`QwenImage21Transformer2DModel`)

入力: image (`Image | list`、*省略可*): デノイジング用の参照画像。単一の画像または画像のリストを指定できます。 output_resolution (`int`、*省略可*、デフォルトは 1024): 出力サイズを導出し、条件画像をリサイズするために使用するターゲットの辺の長さ。 prompt (`str`): 画像生成をガイドするためのプロンプト。 negative_prompt (`str`、*省略可*): 画像生成をガイドしないためのプロンプト。 generator (`Generator`、*省略可*): 決定論的な生成のための Torch ジェネレーター。 num_images_per_prompt (`int`、*省略可*、デフォルトは 1): 1 つのプロンプトあたりに生成する画像の数。 height (`int`、*省略可*): 生成される画像の高さ（ピクセル単位）。 width (`int`、*省略可*): 生成される画像の幅（ピクセル単位）。 image_latents (`list`、*省略可*): 各条件画像の正規化された潜在変数。 vae_encoder ステップから生成できます。 latents (`Tensor`): 画像生成用の事前生成されたノイズ付き潜在変数。 num_inference_steps (`int`): デノイジングのステップ数。 sigmas (`list`、*省略可*): デノイジングプロセス用のカスタムシグマ。 use_kv_cache (`bool`、*省略可*、デフォルトは True): 最初のステップ以降、テキストおよび条件画像のキーとバリューをキャッシュします。 `causal_condition` が `t = 0` からこれらのトークンを調整するため、有効です。これを切り替えても、低精度ではビット単位で同じ画像を再現できません。 attention_kwargs (`dict`、*省略可*): アテンションプロセッサー用の追加の kwargs。 **denoiser_input_fields (`None`、*省略可*): デノイザー用の条件モデルの入力: 例: prompt_embeds、negative_prompt_embeds など。 output_type (`str`、*省略可*、デフォルトは pil): 出力形式: 'pil'、'np'、'pt'。

出力: 画像 (`list`): 生成された画像。

## QwenImage21TurboModularPipeline[[diffusers.QwenImage21TurboModularPipeline]]

#### diffusers.QwenImage21TurboModularPipeline[[diffusers.QwenImage21TurboModularPipeline]]

```python
diffusers.QwenImage21TurboModularPipeline(blocks: diffusers.modular_pipelines.modular_pipeline.ModularPipelineBlocks | None = None, pretrained_model_name_or_path: str | os.PathLike | None = None, components_manager: diffusers.modular_pipelines.components_manager.ComponentsManager | None = None, collection: str | None = None, workflow: str | None = None, modular_config_dict: dict[str, typing.Any] | None = None, config_dict: dict[str, typing.Any] | None = None, **kwargs)
```

[ソース](https://github.com/huggingface/diffusers/blob/main/src/diffusers/modular_pipelines/qwenimage21/modular_pipeline.py#L54)

Qwen-Image 2.1 Turbo 用の ModularPipeline です。これは、ガイダンスなしで数ステップのサンプリングを行う高速化されたチェックポイントです。

## QwenImage21TurboAutoBlocks[[diffusers.QwenImage21TurboAutoBlocks]]

#### diffusers.QwenImage21TurboAutoBlocks[[diffusers.QwenImage21TurboAutoBlocks]]

```python
diffusers.QwenImage21TurboAutoBlocks()
```

[ソース](https://github.com/huggingface/diffusers/blob/main/src/diffusers/modular_pipelines/qwenimage21/modular_blocks_qwenimage21_turbo.py#L466)

Qwen-Image 2.1 Turbo を使用したテキストから画像への生成および画像条件付き生成のための Auto Modular パイプラインです。Qwen-Image 2.1 Turbo は、ガイダンスなしで数ステップのサンプリングにより、同梱のシグマグリッドをサンプリングする高速化されたチェックポイントです。
- テキストから画像を生成するには、`prompt` を指定するだけで十分です。
- 画像条件付き生成を行うには、`prompt` と `image`（1枚の画像またはリスト）を指定する必要があります。

サポートされているワークフロー:
- `text2image`: `prompt` が必要です
- `image_conditioned`: `prompt`と`image`が必要です

コンポーネント: image_processor (`VaeImageProcessor`) text_encoder (`Qwen3VLForConditionalGeneration`) processor (`Qwen3VLProcessor`) vae (`AutoencoderKLQwenImage21`) scheduler (`FlowMatchEulerDiscreteScheduler`) transformer (`QwenImage21Transformer2DModel`)

Configs: sample_sigmas (デフォルト: None): チェックポイントに同梱されているサンプリンググリッド。`sigmas`が渡されない場合に使用されます。

入力: image (`Image | list`、*任意*): デノイジング用の参照画像。単一の画像または画像のリストを指定できます。 output_resolution (`int`、*任意*、デフォルト値は 1024): 出力サイズを導出し、条件画像をリサイズするために使用するターゲットの辺の長さ。 prompt (`str`): 画像生成をガイドするためのプロンプト。 generator (`Generator`、*任意*): 決定論的な生成のための Torch ジェネレーター。 num_images_per_prompt (`int`、*任意*、デフォルト値は 1): 1 つのプロンプトあたり生成する画像の数。 height (`int`、*任意*): 生成される画像のピクセル単位の縦幅。 width (`int`、*任意*): 生成される画像のピクセル単位の横幅。 image_latents (`list`、*任意*): 各条件画像の正規化された潜在変数。 vae_encoder ステップから生成できます。 latents (`Tensor`): 画像生成用の事前生成されたノイズ付き潜在変数。 num_inference_steps (`int`): デノイジングのステップ数。 sigmas (`list`、*任意*): デノイジングプロセス用のカスタムシグマ。 use_kv_cache (`bool`、*任意*、デフォルト値は True): 最初のステップ以降、テキストおよび条件画像のキーとバリューをキャッシュします。 `causal_condition` が `t = 0` からこれらのトークンを調整するため、有効です。これを切り替えても、低精度ではビット単位で同じ画像を再現できません。 attention_kwargs (`dict`、*任意*): アテンションプロセッサー用の追加の kwargs。 **denoiser_input_fields (`None`、*任意*): デノイザー用の条件モデルの入力: 例: prompt_embeds、negative_prompt_embeds など。 output_type (`str`、*任意*、デフォルト値は pil): 出力形式: 'pil'、'np'、'pt'。

出力: 画像 (`list`): 生成された画像。