Diffusers documentation
ConsisIDTransformer3DModel
ConsisIDTransformer3DModel
ConsisID의 3D 데이터를 위한 Diffusion Transformer 모델이 Peking University & University of Rochester & etc.의 Identity-Preserving Text-to-Video Generation by Frequency Decomposition에서 소개되었습니다.
다음 코드 스니펫으로 모델을 로드할 수 있습니다.
from diffusers import ConsisIDTransformer3DModel
transformer = ConsisIDTransformer3DModel.from_pretrained("BestWishYsh/ConsisID-preview", subfolder="transformer", dtype=torch.bfloat16).to("cuda") # or "mps", "xpu", "cpu"ConsisIDTransformer3DModel
class diffusers.ConsisIDTransformer3DModel
< source >( num_attention_heads: int = 30attention_head_dim: int = 64in_channels: int = 16out_channels: int | None = 16flip_sin_to_cos: bool = Truefreq_shift: int = 0time_embed_dim: int = 512text_embed_dim: int = 4096num_layers: int = 30dropout: float = 0.0attention_bias: bool = Truesample_width: int = 90sample_height: int = 60sample_frames: int = 49patch_size: int = 2temporal_compression_ratio: int = 4max_text_seq_length: int = 226activation_fn: str = 'gelu-approximate'timestep_activation_fn: str = 'silu'norm_elementwise_affine: bool = Truenorm_eps: float = 1e-05spatial_interpolation_scale: float = 1.875temporal_interpolation_scale: float = 1.0use_rotary_positional_embeddings: bool = Falseuse_learned_positional_embeddings: bool = Falseis_train_face: bool = Falseis_kps: bool = Falsecross_attn_interval: int = 2cross_attn_dim_head: int = 128cross_attn_num_heads: int = 16LFE_id_dim: int = 1280LFE_vit_dim: int = 1024LFE_depth: int = 10LFE_dim_head: int = 64LFE_num_heads: int = 16LFE_num_id_token: int = 5LFE_num_querie: int = 32LFE_output_dim: int = 2048LFE_ff_mult: int = 4LFE_num_scale: int = 5local_face_scale: float = 1.0 )
매개변수
- num_attention_heads (
int, 기본값30) — 멀티헤드 어텐션에 사용할 헤드의 수입니다. - attention_head_dim (
int, 기본값64) — 각 헤드당 채널 수입니다. - in_channels (
int, 기본값16) — 입력의 채널 수입니다. - out_channels (
int, 선택 사항, 기본값16) — 출력의 채널 수입니다. - flip_sin_to_cos (
bool, 기본값True) — 시간 임베딩에서 sin을 cos로 전환할지 여부. - time_embed_dim (
int, 기본값512) — timestep 임베딩의 출력 차원입니다. - text_embed_dim (
int, 기본값4096) — 텍스트 인코더에서 생성된 텍스트 임베딩의 입력 차원입니다. - num_layers (
int, 기본값30) — 사용할 Transformer 블록의 레이어 수입니다. - dropout (
float, 기본값0.0) — 사용할 dropout 확률입니다. - attention_bias (
bool, 기본값True) — Attention projection layer에 bias를 사용할지 여부입니다. - sample_width (
int, 기본값90) — 입력 latents의 너비입니다. - sample_height (
int, 기본값60) — 입력 latents의 높이입니다. - sample_frames (
int, 기본값49) — 입력 latents의 프레임 수입니다. ConsisID의 기본 및 권장 설정에서 13개의 latent 프레임을 한 번에 처리했기 때문에 이 파라미터는 13이 아닌 49로 잘못 초기화되었습니다. 다만, 하위 호환성을 보장하기 위해 올바른 값으로 변경할 수 없습니다. K개의 latent 프레임을 가진 transformer를 생성하려면 여기에 전달해야 할 올바른 값은 ((K - 1) * temporal_compression_ratio + 1)입니다. - patch_size (
int, 기본값2) — 패치 임베딩 레이어에서 사용할 패치의 크기입니다. - temporal_compression_ratio (
int, 기본값4) — 시간 차원에서의 압축 비율입니다.sample_frames의 문서를 참조하세요. - max_text_seq_length (
int, 기본값226) — 입력 텍스트 임베딩의 최대 시퀀스 길이입니다. - activation_fn (
str, 기본값"gelu-approximate") — 피드포워드에서 사용할 활성화 함수입니다. - timestep_activation_fn (
str, 기본값"silu") — timestep 임베딩을 생성할 때 사용할 활성화 함수입니다. - norm_elementwise_affine (
bool, 기본값True) — 정규화 레이어에서 elementwise affine을 사용할지 여부입니다. - norm_eps (
float, 기본값1e-5) — 정규화 레이어에서 사용할 epsilon 값입니다. - spatial_interpolation_scale (
float, 기본값1.875) — 공간 차원에 걸쳐 3D 위치 임베딩에 적용할 스케일링 계수입니다. - temporal_interpolation_scale (
float, 기본값1.0) — 시간 차원에 걸쳐 3D 위치 임베딩에 적용할 스케일링 계수입니다. - is_train_face (
bool, 기본값False) — 학습 과정에서 identity-preserving 모듈을 활성화할지 여부입니다.True로 설정하면 모델은 identity-preserving 작업에 집중합니다. - is_kps (
bool, 기본값False) — 전체 얼굴 추출기에 keypoint를 활성화할지 여부입니다.True인 경우 모델에 keypoints가 포함됩니다. - cross_attn_interval (
int, 기본값2) — Transformer 아키텍처에서 크로스 어텐션 레이어 사이의 간격입니다. 값이 클수록 크로스 어텐션 계산의 빈도가 줄어들어 계산 오버헤드를 낮추는 데 도움이 될 수 있습니다. - cross_attn_dim_head (
int, optional, 기본값128) — Transformer 아키텍처의 cross-attention 레이어에서 각 attention head의 차원입니다. 값이 클수록 더 복잡한 패턴에 대한 attention 처리 능력이 높아지지만, 메모리와 계산 비용도 증가합니다. - cross_attn_num_heads (
int, optional, 기본값16) — 크로스 어텐션 레이어의 어텐션 헤드 수입니다. 헤드가 많을수록 다양한 병렬 어텐션 메커니즘을 사용할 수 있어 입력의 서로 다른 구성 요소 간의 다양한 관계를 포착할 수 있지만, 계산 요구 사항도 증가할 수 있습니다. - LFE_id_dim (
int, optional, 기본값1280) — Local Facial Extractor(LFE)에서 사용되는 identity 벡터의 차원입니다. 이 벡터는 얼굴의 identity 특성을 나타내며, 얼굴 인식 및 다양한 프레임 간 identity 보존과 같은 작업에서 중요합니다. - LFE_vit_dim (
int, optional, 기본값1024) — Local Facial Extractor(LFE)에서 사용되는 Vision Transformer(ViT) 출력의 차원입니다. 이 값은 얼굴 특징 추출을 위해 처리될 Transformer 생성 특징 벡터의 크도를 결정합니다. - LFE_depth (
int, optional, 기본값10) — Local Facial Extractor(LFE)의 레이어 수입니다. 깊이를 늘리면 얼굴 특징의 더 복잡한 표현을 포착할 수 있지만, 계산 부하도 증가합니다. - LFE_dim_head (
int, optional, 기본값64) — Local Facial Extractor(LFE)의 각 attention head 차원입니다. 이 파라미터는 추출 과정에서 모델이 얼굴 특징의 서로 다른 부분을 얼마나 세밀하게 처리하고 집중할 수 있는지에 영향을 미칩니다. - LFE_num_heads (
int, optional, 기본값16) — Local Facial Extractor(LFE)의 attention head 수입니다. head 수가 많을수록 다양한 얼굴 특징을 포착하는 모델의 능력이 향상될 수 있지만, 계산 복잡도가 증가하는 비용이 발생합니다. - LFE_num_id_token (
int, optional, 기본값5) — Local Facial Extractor(LFE)에서 사용되는 identity token의 수입니다. 이는 feature extraction 과정에서 얼굴 identity 보존을 보장하기 위해 모델이 처리할 identity 관련 token의 수를 정의합니다. - LFE_num_querie (
int, optional, 기본값32) — Local Facial Extractor(LFE)에서 사용되는 쿼리 토큰의 수입니다. 이러한 토큰은 정확한 얼굴 특징 추출을 돕는 고주파 얼굴 관련 정보를 포착하는 데 사용됩니다. - LFE_output_dim (
int, optional, 기본값2048) — Local Facial Extractor(LFE)의 출력 차원입니다. 이 차원은 LFE 모듈이 생성하는 특징 벡터의 크기를 결정하며, 얼굴 인식이나 추적과 같은 후속 작업에 사용됩니다. - LFE_ff_mult (
int, optional, 기본값4) — Local Facial Extractor(LFE)의 피드포워드 네트워크 히든 레이어 크기에 적용되는 곱셈 계수입니다. 값이 높을수록 모델이 더 복잡한 얼굴 특징 변환을 학습할 수 있는 용량이 증가하지만, 계산 및 메모리 요구량도 함께 증가합니다. - LFE_num_scale (
int, 선택 사항, 기본값5) — 시각 기능의 서로 다른 스케일 수입니다. 값이 높을수록 모델이 더 복잡한 얼굴 기능 변환을 학습할 수 있는 능력이 증가하지만, 계산 및 메모리 요구 사항도 함께 증가합니다. - local_face_scale (
float, 기본값1.0) — 모델에서 국소적인 얼굴 특징의 중요도를 조정하는 데 사용되는 스케일링 계수입니다. 이는 모델이 고주파 얼굴 관련 콘텐츠에 얼마나 강하게 초점을 맞추는지에 영향을 미칠 수 있습니다.
ConsisID의 비디오 유사 데이터용 Transformer 모델.
forward
< source >( hidden_states: Tensorencoder_hidden_states: Tensortimestep: typing.Union[int, float, torch.LongTensor]timestep_cond: typing.Optional[torch.Tensor] = Noneimage_rotary_emb: tuple[torch.Tensor, torch.Tensor] | None = Noneattention_kwargs: dict[str, typing.Any] | None = Noneid_cond: typing.Optional[torch.Tensor] = Noneid_vit_hidden: typing.Optional[torch.Tensor] = Nonereturn_dict: bool = True )
매개변수
- hidden_states (
torch.Tensor, shape(batch_size, num_frames, channels, height, width)) — 입력hidden_states. - encoder_hidden_states (
torch.Tensor, shape(batch_size, sequence_len, embed_dims)) — 사용할 조건 임베딩(프롬프트와 같은 입력 조건에서 계산된 임베딩). - timestep (
torch.LongTensor) — 디노이징 단계를 나타내는 데 사용됩니다. - timestep_cond (
torch.Tensor, 선택 사항) — timestep에 대한 조건부 임베딩입니다. 제공된 경우, 해당 임베딩은self.time_embedding레이어를 통과한 샘플과 합산되어 최종 timestep 임베딩을 생성합니다. - image_rotary_emb (
tupleoftorch.Tensor, 선택 사항) — 사전 계산된 회전 위치 임베딩입니다. - attention_kwargs (
dict, 선택 사항) — 지정된 경우 diffusers.models.attention_processor의self.processor에서 정의된AttentionProcessor로 전달되는 kwargs 사전입니다. - id_cond (
torch.Tensor, 선택 사항) — ID 조건화에 사용되는 로컬 얼굴 추출기로 추출된 얼굴 임베딩입니다. - id_vit_hidden (
torch.Tensor, 선택 사항) — ID 조건부 생성에 사용되는 얼굴 이미지에서 추출한 ViT hidden states입니다. - return_dict (
bool, 선택 사항, 기본값True) — 단순 tuple 대신~models.transformer_2d.Transformer2DModelOutput를 반환할지 여부.
ConsisIDTransformer3DModel의 forward 메서드입니다.
Transformer2DModelOutput
클래스 diffusers.models.modeling_outputs.Transformer2DModelOutput
< source >( sample: torch.Tensor )
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_states입력에 조건부인 hidden states 출력입니다. discrete인 경우, 노이즈가 제거된 latent 픽셀에 대한 확률 분포를 반환합니다.
Transformer2DModel의 출력입니다.