# DreamLite

DreamLite — это модель генерации изображений по тексту и редактирования изображений от ByteDance. Она сочетает в себе собственный 2D U-Net (`DreamLiteUNetModel`) с мультимодальным энкодером `Qwen3-VL`, который используется как энкодер промптов и инструкций по изображению, а также применяет VAE `AutoencoderTiny` (в стиле TAESD) для быстрого кодирования и декодирования латентов.

Доступны два конвейера:

| Pipeline | Режимы | CFG | Сценарий использования |
|---|---|---|---|
| [DreamLitePipeline](/docs/diffusers/main/ru/api/pipelines/dreamlite#diffusers.DreamLitePipeline) | text-to-image **и** редактирование изображений (выбирается автоматически в зависимости от того, является ли `image` значением `None`) | 3-ветвевой двойной CFG (`guidance_scale` для текстовой ветви, `image_guidance_scale` для изображений, по образцу InstructPix2Pix) | Наивысшее качество |
| [DreamLiteMobilePipeline](/docs/diffusers/main/ru/api/pipelines/dreamlite#diffusers.DreamLiteMobilePipeline) | text-to-image **и** редактирование изображений (выбирается автоматически в зависимости от того, является ли `image` значением `None`) | None — дистиллированная, один прямой проход UNet на шаг | На устройстве / низкая задержка |

Официальные контрольные точки:

* Базовая модель: [carlofkl/DreamLite-base](https://huggingface.co/carlofkl/DreamLite-base)
* Модель для мобильных устройств, полученная дистилляцией: [carlofkl/DreamLite-mobile](https://huggingface.co/carlofkl/DreamLite-mobile)

> [!TIP]
> Оба конвейера автоматически определяют режим «текст в изображение» или «редактирование изображения» на основании того, передан ли аргумент `image`. Отдельный класс `Img2Img` отсутствует.

> [!TIP]
> При загрузке входного изображения для редактирования предпочитайте `diffusers.utils.load_image(...)` вместо прямого вызова `PIL.Image.open(...)`. `load_image` принудительно выполняет преобразование в RGB и применяет ориентацию EXIF, что предполагает пайплайн. Простой вызов `Image.open` для источника в формате RGBA / палитры / с поворотом EXIF незаметно приведёт к другому латентному условию и ухудшит качество результата.

## Текст в изображение (Base)

```python
import torch
from diffusers import DreamLitePipeline

pipe = DreamLitePipeline.from_pretrained("carlofkl/DreamLite-base", revision="diffusers", dtype=torch.bfloat16)
pipe = pipe.to("cuda")  # or "mps", "xpu", "cpu"

image = pipe(
    prompt="a dog running on the grass",
    negative_prompt="",
    height=1024,
    width=1024,
    num_inference_steps=28,
    generator=torch.Generator("cpu").manual_seed(42),
).images[0]
image.save("dreamlite_t2i.png")
```

## Редактирование изображений (Base)

Передайте `image`, чтобы перейти в режим редактирования. Здесь активны и `guidance_scale` (текстовая ветвь), и `image_guidance_scale` (изображение-ветвь).

```python
import torch
from diffusers import DreamLitePipeline
from diffusers.utils import load_image

pipe = DreamLitePipeline.from_pretrained("carlofkl/DreamLite-base", revision="diffusers", dtype=torch.bfloat16)
pipe = pipe.to("cuda")  # or "mps", "xpu", "cpu"

source = load_image("https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/diffusers/cat.png")

image = pipe(
    prompt="turn the cat into a corgi",
    image=source,
    height=1024,
    width=1024,
    num_inference_steps=28,
    generator=torch.Generator("cpu").manual_seed(42),
).images[0]
image.save("dreamlite_edit.png")
```

## Текст в изображение (мобильные устройства)

Мобильный конвейер является дистиллированным и полностью пропускает CFG — один прямой проход UNet на каждый шаг. Он принимает те же аргументы `prompt` / `height` / `width` / `num_inference_steps`, но **игнорирует** `guidance_scale` и `image_guidance_scale`, если они переданы (в журнал выводится предупреждение).

```python
import torch
from diffusers import DreamLiteMobilePipeline

pipe = DreamLiteMobilePipeline.from_pretrained("carlofkl/DreamLite-mobile", revision="diffusers", dtype=torch.bfloat16)
pipe = pipe.to("cuda")  # or "mps", "xpu", "cpu"

image = pipe(
    prompt="a dog running on the grass",
    height=1024,
    width=1024,
    num_inference_steps=4,
    generator=torch.Generator("cpu").manual_seed(42),
).images[0]
image.save("dreamlite_mobile_t2i.png")
```

## Редактирование изображений (мобильные устройства)

```python
import torch
from diffusers import DreamLiteMobilePipeline
from diffusers.utils import load_image

pipe = DreamLiteMobilePipeline.from_pretrained("carlofkl/DreamLite-mobile", revision="diffusers", dtype=torch.bfloat16)
pipe = pipe.to("cuda")  # or "mps", "xpu", "cpu"

source = load_image("https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/diffusers/cat.png")

image = pipe(
    prompt="turn the cat into a corgi",
    image=source,
    height=1024,
    width=1024,
    num_inference_steps=4,
    generator=torch.Generator("cpu").manual_seed(42),
).images[0]
image.save("dreamlite_mobile_edit.png")
```

## Заметки и ограничения

* Оба конвейера внутренне принудительно устанавливают `batch_size = 1`; параметр `num_images_per_prompt` управляет количеством выборок, генерируемых из одного и того же промпта, а не параллельным батчингом.
* Промпт-энкодер — это `Qwen3-VL`, мультимодальная модель. Поэтому для загрузки полного пайплайна требуется достаточный объём памяти GPU как для U-Net, так и для текстового энкодера Qwen3-VL (~4 ГБ + ~0,7 ГБ в bf16 для базовой версии).
* VAE — это `AutoencoderTiny`, и он предоставляет `encoder_block_out_channels`; `vae_scale_factor` вычисляется из него при инициализации пайплайна.

## DreamLitePipeline[[diffusers.DreamLitePipeline]]

#### diffusers.DreamLitePipeline[[diffusers.DreamLitePipeline]]

```python
diffusers.DreamLitePipeline(text_encoder: Qwen3VLForConditionalGeneration, tokenizer: AutoTokenizer, processor: Qwen3VLProcessor, vae: AutoencoderTiny, unet: DreamLiteUNetModel, scheduler: FlowMatchEulerDiscreteScheduler)
```

[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/dreamlite/pipeline_dreamlite.py#L155)

DreamLite pipeline для генерации изображений по тексту и редактирования изображений по инструкциям.

Один и тот же конвейер поддерживает оба режима; режим работы определяется автоматически на основе входных данных:

- `image is None` -> генерация изображения по тексту (один CFG по тексту).
- `image is not None` -> image-to-image / редактирование по инструкции (двойной CFG: текст + изображение).

Компоненты: text_encoder ([*~transformers.Qwen3VLForConditionalGeneration*]): мультимодальный текстово-визуальный энкодер, используемый для создания эмбеддингов для условного формирования. tokenizer ([*~transformers.AutoTokenizer*]): токенизатор для режима только с текстом (generate). processor ([*~transformers.Qwen3VLProcessor*]): мультимодальный процессор для режима редактирования (шаблон «текст + изображение»). vae ([*~diffusers.AutoencoderTiny*]): компактный VAE, оптимизированный для мобильных устройств, для кодирования/декодирования латентов. unet ([*~diffusers.DreamLiteUNetModel*]): DreamLite UNet (GQA + qk_norm + глубинно-отделимые свёртки). scheduler ([*~diffusers.FlowMatchEulerDiscreteScheduler*]): дискретный эйлеровский планировщик flow-matching с динамическим сдвигом.

Примечание: `batch_size` в настоящее время принудительно устанавливается в `1`; поддерживается `num_images_per_prompt`.

#### __call__[[diffusers.DreamLitePipeline.__call__]]

```python
__call__(prompt: typing.Optional[str] = None, negative_prompt: typing.Optional[str] = None, image: typing.Optional[PIL.Image.Image] = None, height: typing.Optional[int] = None, width: typing.Optional[int] = None, guidance_scale: float = 3.5, image_guidance_scale: float = 1.5, num_inference_steps: int = 30, sigmas: typing.Optional[typing.List[float]] = None, num_images_per_prompt: typing.Optional[int] = 1, generator: typing.Union[torch.Generator, typing.List[torch.Generator], NoneType] = None, output_type: typing.Optional[str] = 'pil', return_dict: bool = True, max_sequence_length: int = 200, text_pad_embedding: typing.Optional[torch.Tensor] = None)
```

[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/dreamlite/pipeline_dreamlite.py#L388)

**Параметры:**

prompt : Текстовый промпт.

negative_prompt : Отрицательный текстовый промпт (по умолчанию — пустая строка).

image : Optional input image. If provided, the pipeline runs in **edit / image-to-image** mode with dual classifier-free guidance; otherwise it runs in **text-to-image** mode.

height : Разрешение вывода (высота). По умолчанию `default_sample_size * vae_scale_factor` (1024). Это же значение по умолчанию используется и для T2I, и для I2I; передайте явное значение, чтобы переопределить его.

width : Разрешение вывода (ширина). По умолчанию `default_sample_size * vae_scale_factor` (1024). Это же значение по умолчанию используется и для T2I, и для I2I; передайте явное значение, чтобы переопределить его.

guidance_scale : масштаб CFG на текстовой ветви (оба режима).

image_guidance_scale : Дополнительный масштаб CFG на ветке изображения (только в режиме редактирования).

num_inference_steps : Количество шагов денойзинга.

sigmas : Необязательные явные сигмы FlowMatch; по умолчанию используется равномерный linspace.

num_images_per_prompt : Количество выходных изображений на запрос (примечание: `batch_size` принудительно устанавливается в 1).

generator : Генератор(ы) случайных чисел.

output_type : `"pil"`, `"np"`, `"pt"` или `"latent"`.

return_dict : Если True, возвращает [DreamLitePipelineOutput](/docs/diffusers/main/ru/api/pipelines/dreamlite#diffusers.DreamLitePipelineOutput); иначе кортеж `(images,)`.

max_sequence_length : Максимальное количество токенов пользовательского запроса, сохраняемых после удаления префикса шаблона чата. Применяется только в режиме `generate` (режим `edit` использует встроенное выравнивание мультимодального процессора).

text_pad_embedding : Необязательное обучаемое вложение для маскированных позиций.

**Возвращает:**

[DreamLitePipelineOutput](/docs/diffusers/main/ru/api/pipelines/dreamlite#diffusers.DreamLitePipelineOutput) или `tuple`.

Запустите конвейер DreamLite.

## DreamLiteMobilePipeline[[diffusers.DreamLiteMobilePipeline]]

#### diffusers.DreamLiteMobilePipeline[[diffusers.DreamLiteMobilePipeline]]

```python
diffusers.DreamLiteMobilePipeline(text_encoder: Qwen3VLForConditionalGeneration, tokenizer: AutoTokenizer, processor: Qwen3VLProcessor, vae: AutoencoderTiny, unet: DreamLiteUNetModel, scheduler: FlowMatchEulerDiscreteScheduler)
```

[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/dreamlite/pipeline_dreamlite_mobile.py#L156)

Пайплайн DreamLite **Mobile**: дистиллированный вариант [DreamLitePipeline](/docs/diffusers/main/ru/api/pipelines/dreamlite#diffusers.DreamLitePipeline) без classifier-free guidance для быстрого инференса за малое число шагов (по умолчанию 4 шага).

Режим работы определяется автоматически на основе входных данных (как в базовом конвейере):

- `image is None` -> генерация изображения по тексту.
- `image is not None` -> image-to-image / редактирование по инструкции.

Поскольку classifier-free guidance **удалён в процессе дистилляции**, параметры `guidance_scale` и `image_guidance_scale` принимаются для совместимости API с [DreamLitePipeline](/docs/diffusers/main/ru/api/pipelines/dreamlite#diffusers.DreamLitePipeline), но игнорируются в цикле денойзинга. Параметр `negative_prompt` намеренно отсутствует.

Components (идентично базовому конвейеру): text_encoder ([*~transformers.Qwen3VLForConditionalGeneration*]): мультимодальный текстовый/визуальный энкодер. tokenizer ([*~transformers.AutoTokenizer*]): токенизатор для режима только с текстом (generate). processor ([*~transformers.Qwen3VLProcessor*]): мультимодальный процессор для режима редактирования. vae ([*~diffusers.AutoencoderTiny*]): компактный VAE, оптимизированный для мобильных устройств. unet ([*~diffusers.DreamLiteUNetModel*]): DreamLite UNet. scheduler ([*~diffusers.FlowMatchEulerDiscreteScheduler*]): дискретный эйлеровский планировщик flow-matching с динамическим сдвигом.

Примечание: `batch_size` в настоящее время принудительно устанавливается в `1`; поддерживается `num_images_per_prompt`.

#### __call__[[diffusers.DreamLiteMobilePipeline.__call__]]

```python
__call__(prompt: typing.Union[str, typing.List[str]] = None, image: typing.Optional[PIL.Image.Image] = None, height: typing.Optional[int] = None, width: typing.Optional[int] = None, num_inference_steps: int = 4, guidance_scale: typing.Optional[float] = None, image_guidance_scale: typing.Optional[float] = None, sigmas: typing.Optional[typing.List[float]] = None, num_images_per_prompt: typing.Optional[int] = 1, generator: typing.Union[torch.Generator, typing.List[torch.Generator], NoneType] = None, output_type: typing.Optional[str] = 'pil', return_dict: bool = True, max_sequence_length: int = 200, text_pad_embedding: typing.Optional[torch.Tensor] = None)
```

[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/dreamlite/pipeline_dreamlite_mobile.py#L384)

**Параметры:**

prompt : Текстовый промпт.

image : Необязательное входное изображение. Если указано, выполняется в режиме **редактирования / image-to-image**; в противном случае — в режиме **text-to-image**.

height : Разрешение вывода (высота). По умолчанию `default_sample_size * vae_scale_factor` (1024).

width : Разрешение вывода (ширина). По умолчанию `default_sample_size * vae_scale_factor` (1024).

num_inference_steps : Количество шагов денойзинга. По умолчанию **4** (дистиллированный).

guidance_scale : Принят для обеспечения паритета API с [DreamLitePipeline](/docs/diffusers/main/ru/api/pipelines/dreamlite#diffusers.DreamLitePipeline); **игнорируется**, так как CFG был дистиллирован.

image_guidance_scale : Принят для обеспечения паритета API с [DreamLitePipeline](/docs/diffusers/main/ru/api/pipelines/dreamlite#diffusers.DreamLitePipeline); **игнорируется**, так как CFG был дистиллирован.

sigmas : Необязательные явные сигмы FlowMatch; по умолчанию используется равномерный linspace.

num_images_per_prompt : Количество выходных изображений на запрос (примечание: `batch_size` принудительно устанавливается в 1).

generator : Генератор(ы) случайных чисел.

output_type : `"pil"`, `"np"`, `"pt"` или `"latent"`.

return_dict : Если True, возвращает [DreamLitePipelineOutput](/docs/diffusers/main/ru/api/pipelines/dreamlite#diffusers.DreamLitePipelineOutput); иначе `(images,)`.

max_sequence_length : Максимальное количество токенов пользовательского запроса, сохраняемых после удаления префикса шаблона чата. Применяется только в режиме `generate` (режим `edit` использует встроенное выравнивание мультимодального процессора).

text_pad_embedding : Необязательное обучаемое вложение для маскированных позиций.

**Возвращает:**

[DreamLitePipelineOutput](/docs/diffusers/main/ru/api/pipelines/dreamlite#diffusers.DreamLitePipelineOutput) или `tuple`.

Запустите дистиллированный пайплайн DreamLite Mobile.

## DreamLitePipelineOutput[[diffusers.DreamLitePipelineOutput]]

#### diffusers.DreamLitePipelineOutput[[diffusers.DreamLitePipelineOutput]]

```python
diffusers.DreamLitePipelineOutput(images: typing.Union[typing.List[PIL.Image.Image], numpy.ndarray])
```

[Источник](https://github.com/huggingface/diffusers/blob/main/src/diffusers/pipelines/dreamlite/pipeline_output.py#L25)

**Параметры:**

images (`List[PIL.Image.Image]` или `np.ndarray`) : список денойзированных изображений PIL длиной `batch_size` или массив NumPy формы `(batch_size, height, width, num_channels)`. Изображения PIL или массив NumPy представляют собой денойзированные изображения диффузионного конвейера.

Класс вывода для конвейеров DreamLite.