# Krea 2

Krea 2 (K2) は、グループクエリアテンションを備えた単一ストリームの MMDiT を基盤とするフローマッチング型のテキストから画像を生成するモデルです。条件付けには Qwen3-VL テキストエンコーダーを使用します。最後の隠れ状態ではなく、トークンごとに 12 個のデコーダー層の隠れ状態を取得し、トランスフォーマー内部の小型のテキスト融合ステージで融合します。画像は Qwen-Image VAE でデコードされます。

2つのチェックポイントが公開されており、同じアーキテクチャを共有していますが、推奨されるサンプラーの設定が異なります。

- **Base (midtrain)** — classifier-free guidance を使用したフルサンプラーを使用します: `num_inference_steps=28`、`guidance_scale=4.5`。
- **TDM（蒸留済み）** — 少数ステップでのサンプリング用に蒸留されており、`num_inference_steps=8` で実行し、ガイダンスを無効化します（`guidance_scale=0.0`）。

`guidance_scale` は Krea 2 の慣例に従います。速度は `cond + guidance_scale * (cond - uncond)` として計算され、`guidance_scale > 0` の場合常に guidance が有効になります（これは、スケールが `1 + guidance_scale` である通常の CFG 定式化に相当します）。

## テキストから画像へ

```python
import torch
from diffusers import Krea2Pipeline

# Load from a local directory produced by the Krea 2 conversion (no hub repo yet).
pipe = Krea2Pipeline.from_pretrained("krea/Krea-2-Raw", dtype=torch.bfloat16)
pipe.to("cuda")  # or "mps", "xpu", "cpu"

prompt = "a fox in the snow"
image = pipe(
    prompt,
    height=1024,
    width=1024,
    num_inference_steps=28,
    guidance_scale=4.5,
    generator=torch.Generator("cuda").manual_seed(0),
).images[0]
image.save("krea2.png")
```

Krea2 Turbo を使用するための例も提供しています:

```python
import torch
from diffusers import Krea2Pipeline

pipe = Krea2Pipeline.from_pretrained("krea/Krea-2-Turbo", dtype=torch.bfloat16)
pipe.to("cuda")  # or "mps", "xpu", "cpu"

image = pipe(
    "a fox in the snow",
    height=1024,
    width=1024,
    num_inference_steps=8,
    guidance_scale=0.0,
    generator=torch.Generator("cuda").manual_seed(0),
).images[0]
image.save("krea2_turbo.png")
```

## 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 Krea2Pipeline, Krea2Transformer2DModel

transformer = Krea2Transformer2DModel.from_single_file(
    "https://huggingface.co/krea/Krea-2-Turbo/blob/main/turbo.safetensors", dtype=torch.bfloat16
)
pipe = Krea2Pipeline.from_pretrained("krea/Krea-2-Turbo", transformer=transformer, dtype=torch.bfloat16).to("cuda")
```

## Krea2Pipeline[[diffusers.Krea2Pipeline]]

#### diffusers.Krea2Pipeline[[diffusers.Krea2Pipeline]]

```python
diffusers.Krea2Pipeline(scheduler: FlowMatchEulerDiscreteScheduler, vae: AutoencoderKLQwenImage, text_encoder: Qwen3VLModel, tokenizer: AutoTokenizer, transformer: Krea2Transformer2DModel, text_encoder_select_layers: tuple[int, ...] | list[int] | None = None, is_distilled: bool = False, patch_size: int = 2)
```

[ソース](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/pipelines/krea2/pipeline_krea2.py#L134)

**パラメータ:**

scheduler ([FlowMatchEulerDiscreteScheduler](/docs/diffusers/v0.43.0/ja/api/schedulers/flow_match_euler_discrete#diffusers.FlowMatchEulerDiscreteScheduler)) : Euler flow-matching スケジューラー。Krea 2 の sigma スケジュールは解像度認識型の指数時間シフトであるため、スケジューラーの設定では、Krea 2 のシフトパラメータ（`base_shift=0.5`、`max_shift=1.15`、`base_image_seq_len=256`、`max_image_seq_len=6400`）とともに `use_dynamic_shifting=True` が設定されることを想定しています。

vae ([AutoencoderKLQwenImage](/docs/diffusers/v0.43.0/ja/api/models/autoencoderkl_qwenimage#diffusers.AutoencoderKLQwenImage)) : Qwen-Image の変分オートエンコーダー（f8、16 個の潜在チャネル）で、潜在変数から画像をデコードするために使用されます。

text_encoder ([PreTrainedModel](https://huggingface.co/docs/transformers/v5.22.2/en/main_classes/model#transformers.PreTrainedModel)) : Qwen3-VLモデル（例：`Qwen/Qwen3-VL-4B-Instruct`の`Qwen3VLModel`）。このパイプラインは、最後の隠れ状態ではなく、複数のデコーダー層から取得した隠れ状態のスタックを消費します。

tokenizer ([AutoTokenizer](https://huggingface.co/docs/transformers/v5.22.2/en/model_doc/auto#transformers.AutoTokenizer)) : テキストエンコーダーとペアで使用するトークナイザー。

transformer ([Krea2Transformer2DModel](/docs/diffusers/v0.43.0/ja/api/models/krea2_transformer2d#diffusers.Krea2Transformer2DModel)) : フローマッチングの速度を予測する Krea 2 のシングルストリーム MMDiT です。

text_encoder_select_layers (`tuple[int, ...]`、*任意*) : テキストエンコーダーの `hidden_states` タプル（0 は埋め込み出力）内のインデックスです。これらの状態がトークンごとにスタックされ、transformer のテキスト条件付けとして使用されます。`transformer.config.num_text_layers` 個のエントリを持つ必要があります。

is_distilled (`bool`、*任意*、デフォルトは`False`) : Transformer が少ステップ蒸留（TDM/turbo）チェックポイントかどうかを示します。`True` の場合、固定のタイムステップシフト `mu=1.15` が使用されます。それ以外の場合は、`mu` が画像の解像度から計算されます。

patch_size (`int`、*optional*、デフォルト値は 2) : Transformer に入力される前に、latents がパッキングされる正方形パッチの辺の長さを指定します。ピクセルからトークンへの実効的なダウンサンプリング係数は `vae_scale_factor * patch_size` です。

テキストから画像を生成するための Krea 2 パイプライン。

#### __call__[[diffusers.Krea2Pipeline.__call__]]

```python
__call__(prompt: str | list[str] | None = None, negative_prompt: str | list[str] | None = None, height: int = 1024, width: int = 1024, num_inference_steps: int = 28, sigmas: list[float] | None = None, guidance_scale: float = 4.5, 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, callback_on_step_end: typing.Optional[typing.Callable[[int, int, dict], NoneType]] = None, callback_on_step_end_tensor_inputs: list[str] = ['latents'], attention_kwargs: dict[str, typing.Any] | None = None, max_sequence_length: int = 512)
```

[ソース](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/pipelines/krea2/pipeline_krea2.py#L445)

**パラメータ:**

prompt (`str` または `list[str]`、*任意*) : 画像生成をガイドするためのプロンプトです。未定義の場合、`prompt_embeds` を渡す必要があります。

negative_prompt (`str` または `list[str]`、*省略可能*) : 画像生成をガイドしないプロンプトです。`guidance_scale <= 0` の場合は無視されます。ガイドが有効な場合、デフォルトでは空のプロンプトになります。

height (`int`、デフォルトは 1024) : 生成される画像のピクセル単位の縦幅です。必要に応じて 16 の倍数に切り上げられます。

width (`int`、デフォルトは 1024) : 生成される画像の幅（ピクセル単位）です。必要に応じて 16 の倍数に切り上げられます。

num_inference_steps (`int`、デフォルトは 28) : デノイジングのステップ数です。ベース（midtrain）チェックポイントには 28 を、少数ステップ蒸留（TDM）チェックポイントには 8 を使用してください。

sigmas (`list[float]`, *optional*) : スケジューラ用のカスタムシグマ。未定義の場合、デフォルトの`linspace(1.0, 1/num_inference_steps, num_inference_steps)`グリッドが使用されます（解像度認識シフトはスケジューラ内で適用されます）。

guidance_scale (`float`、デフォルト値は 4.5) : Krea 2 の慣例に従う Classifier-free guidance のスケールです。velocity は `cond + guidance_scale * (cond - uncond)` として計算され、`guidance_scale > 0` の場合常に guidance が有効になります（これはスケールが `1 + guidance_scale` の通常の CFG 表現に相当します）。無効にするには `0.0` を設定してください（TDM チェックポイントの場合など）。

num_images_per_prompt (`int`、デフォルトは 1) : プロンプトごとに生成する画像の数。

generator (`torch.Generator` または `list[torch.Generator]`、*省略可*) : 生成を決定論的にするための 1 つ以上の [torch generator](https://pytorch.org/docs/stable/generated/torch.Generator.html)。

latents (`torch.Tensor`, *任意*) : 画像生成の入力として使用される、ガウス分布からサンプリングされた、パック形式の事前生成されたノイジー・ラテンツ。形状は `(batch_size, image_seq_len, in_channels)` です。

prompt_embeds (`torch.Tensor`, *任意*) : 形状が `(batch_size, text_seq_len, num_text_layers, text_hidden_dim)` の事前生成されたテキスト埋め込み。指定されない場合、`prompt` から埋め込みが生成されます。

prompt_embeds_mask (`torch.Tensor`, *任意*) : `prompt_embeds`用のブールマスク。`prompt_embeds`が渡された場合に必要です。

negative_prompt_embeds (`torch.Tensor`, *任意*) : 事前に生成されたネガティブなテキスト埋め込み。レイアウトは `prompt_embeds` と同じです。

negative_prompt_embeds_mask (`torch.Tensor`, *任意*) : `negative_prompt_embeds`用のブールマスク。`negative_prompt_embeds`が渡された場合に必要です。

output_type (`str`、*任意*、デフォルトは`"pil"`) : 生成画像の出力形式。`"pil"`、`"np"`、`"pt"`、`"latent"`から選択します。

return_dict (`bool`、*任意*、デフォルトは`True`) : プレーンなタプルではなく、[Krea2PipelineOutput](/docs/diffusers/v0.43.0/ja/api/pipelines/krea2#diffusers.pipelines.krea2.Krea2PipelineOutput)を返すかどうかを指定します。

callback_on_step_end (`Callable`、*任意*) : 各デノイジングステップの終了時に `callback_on_step_end(self, step, timestep, callback_kwargs)` で呼び出される関数。

callback_on_step_end_tensor_inputs (`list[str]`、*任意*、デフォルトは `["latents"]`) : `callback_on_step_end` 関数へのテンソル入力のリストです。`._callback_tensor_inputs` の部分集合である必要があります。

attention_kwargs (`dict`, *任意*) : 指定された場合、[diffusers.models.attention_processor](https://github.com/huggingface/diffusers/blob/main/src/diffusers/models/attention_processor.py) の `self.processor` で定義されている `AttentionProcessor` に渡される kwargs の辞書です。

max_sequence_length (`int`、デフォルト値は 512) : Transformer が消費する固定のテキストシーケンス長です。プロンプトは、この長さにパディングまたは切り詰められます。

**戻り値:** [Krea2PipelineOutput](/docs/diffusers/v0.43.0/ja/api/pipelines/krea2#diffusers.pipelines.krea2.Krea2PipelineOutput) または `tuple`

`return_dict` が True の場合は [Krea2PipelineOutput](/docs/diffusers/v0.43.0/ja/api/pipelines/krea2#diffusers.pipelines.krea2.Krea2PipelineOutput)、それ以外の場合は `tuple` が返され、その最初の要素は生成された画像のリストです。

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 Krea2Pipeline

>>> # Load from a local directory produced by the Krea 2 conversion (no hub repo yet).
>>> pipe = Krea2Pipeline.from_pretrained("path/to/krea2-diffusers", torch_dtype=torch.bfloat16)
>>> pipe.to("cuda")
>>> prompt = "a fox in the snow"
>>> # Base (midtrain) checkpoint defaults. For the few-step distilled (TDM) checkpoint use
>>> # `num_inference_steps=8, guidance_scale=0.0` instead.
>>> image = pipe(prompt, num_inference_steps=28, guidance_scale=4.5).images[0]
>>> image.save("krea2.png")
```

#### encode_prompt[[diffusers.Krea2Pipeline.encode_prompt]]

```python
encode_prompt(prompt: str | list[str], 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, max_sequence_length: int = 512)
```

[ソース](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/pipelines/krea2/pipeline_krea2.py#L263)

**パラメータ:**

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

device : (`torch.device`): torch デバイス

num_images_per_prompt (`int`) : プロンプトごとに生成すべき画像の数

prompt_embeds (`torch.Tensor`, *任意*) : 形状が `(batch_size, text_seq_len, num_text_layers, text_hidden_dim)` の事前生成されたテキスト埋め込み。テキスト入力の調整、*例えば* プロンプトの重み付けなどに簡単に使用できます。指定されない場合、`prompt` 入力引数からテキスト埋め込みが生成されます。

prompt_embeds_mask (`torch.Tensor`, *任意*) : 有効なテキストトークンを示す事前生成済みのブールマスク。形状は `(batch_size, text_seq_len)` です。`prompt_embeds` が渡される場合に必要です。

max_sequence_length (`int`、デフォルト値は 512) : Transformer が消費する固定のテキストシーケンス長です。プロンプトは、この長さにパディングまたは切り詰められます。

#### get_text_hidden_states[[diffusers.Krea2Pipeline.get_text_hidden_states]]

```python
get_text_hidden_states(prompt: str | list[str], max_sequence_length: int = 512, device: typing.Optional[torch.device] = None)
```

[ソース](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/pipelines/krea2/pipeline_krea2.py#L214)

`prompt`を固定長の Krea 2 レイアウトにトークナイズし、選択したエンコーダーの隠れ状態を取得します。

`(hidden_states, attention_mask)` のタプルを返します。形状はそれぞれ `(batch_size, text_seq_len, num_text_layers, text_hidden_dim)` および `(batch_size, text_seq_len)` (bool) です。

#### prepare_position_ids[[diffusers.Krea2Pipeline.prepare_position_ids]]

```python
prepare_position_ids(text_seq_len: int, grid_height: int, grid_width: int, device: device)
```

[ソース](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/pipelines/krea2/pipeline_krea2.py#L381)

結合されたシーケンス用の `(text_seq_len + grid_height * grid_width, 3)` のロータリー座標を構築します。テキストトークンは原点に配置され、画像トークンにはその `(0, h, w)` の潜在グリッド座標が割り当てられます。

## Krea2PipelineOutput[[diffusers.pipelines.krea2.Krea2PipelineOutput]]

#### diffusers.pipelines.krea2.Krea2PipelineOutput[[diffusers.pipelines.krea2.Krea2PipelineOutput]]

```python
diffusers.pipelines.krea2.Krea2PipelineOutput(images: list[PIL.Image.Image] | numpy.ndarray)
```

[ソース](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/pipelines/krea2/pipeline_output.py#L24)

**パラメータ:**

images (`list[PIL.Image.Image]` または `np.ndarray`) : 長さ `batch_size` のノイズ除去済み PIL 画像のリスト、または形状 `(batch_size, height, width, num_channels)` の numpy 配列。

Krea 2 パイプラインの出力クラスです。

## モジュール化

Krea 2 は [モジュラーパイプライン](../../modular_diffusers/overview) としても利用できます。Classifier-free guidance は `guidance_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。Krea 2 は cond-anchored CFG を使用しており、これは `use_original_formulation=True` を指定した [ClassifierFreeGuidance](/docs/diffusers/v0.43.0/ja/api/modular_diffusers/guiders#diffusers.ClassifierFreeGuidance) です。

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

pipe = ModularPipeline.from_pretrained("krea/Krea-2-Raw")
pipe.load_components(dtype=torch.bfloat16)
pipe.to("cuda")  # or "mps", "xpu", "cpu"

image = pipe(
    prompt="a fox in the snow",
    height=1024,
    width=1024,
    num_inference_steps=28,
    generator=torch.Generator("cuda").manual_seed(0),
).images[0]
image.save("krea2.png")
```

Krea2 Turbo の使用例も提供しています。蒸留済みチェックポイントは独自のブロックセット（[Krea2TurboAutoBlocks](/docs/diffusers/v0.43.0/ja/api/pipelines/krea2#diffusers.Krea2TurboAutoBlocks)）に対応しており、guidance なし（`guider` なし）で動作し、ネガティブプロンプトを受け取らず、数ステップでサンプリングを行います。チェックポイントの `is_distilled` 設定から `ModularPipeline.from_pretrained` が自動的に turbo ブロックを選択するため、guidance の設定は不要です：

```python
import torch
from diffusers import ModularPipeline

pipe = ModularPipeline.from_pretrained("krea/Krea-2-Turbo")
pipe.load_components(dtype=torch.bfloat16)
pipe.to("cuda")  # or "mps", "xpu", "cpu"

image = pipe(
    prompt="a fox in the snow",
    height=1024,
    width=1024,
    num_inference_steps=8,
    generator=torch.Generator("cuda").manual_seed(0),
).images[0]
image.save("krea2_turbo.png")
```

## Krea2ModularPipeline[[diffusers.Krea2ModularPipeline]]

#### diffusers.Krea2ModularPipeline[[diffusers.Krea2ModularPipeline]]

```python
diffusers.Krea2ModularPipeline(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/v0.43.0/src/diffusers/modular_pipelines/krea2/modular_pipeline.py#L19)

Krea 2用のModularPipeline。

## Krea2AutoBlocks[[diffusers.Krea2AutoBlocks]]

#### diffusers.Krea2AutoBlocks[[diffusers.Krea2AutoBlocks]]

```python
diffusers.Krea2AutoBlocks()
```

[ソース](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/modular_pipelines/krea2/modular_blocks_krea2.py#L106)

Krea 2 を使用したテキストから画像への生成のための Auto Modular パイプライン: テキストのエンコード -> コアデノイズ (対称 CFG) -> デコード。

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

コンポーネント: text_encoder (`Qwen3VLModel`): Qwen3-VL のテキストエンコーダー。 tokenizer (`AutoTokenizer`): テキストエンコーダーとペアで使用するトークナイザー。 guider (`ClassifierFreeGuidance`) transformer (`Krea2Transformer2DModel`) scheduler (`FlowMatchEulerDiscreteScheduler`) vae (`AutoencoderKLQwenImage`) image_processor (`VaeImageProcessor`)

入力: prompt (`str`): 画像生成をガイドするためのプロンプトまたはプロンプトのリスト。 negative_prompt (`str`, *任意*): CFG 用のネガティブプロンプト。 max_sequence_length (`int`, *任意*, デフォルトは 512): プロンプトエンコードの最大シーケンス長。 num_images_per_prompt (`int`, *任意*, 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。 latents (`Tensor`, *任意*): 画像生成用の事前生成されたノイズ付き潜在変数。 height (`int`, *任意*, デフォルトは 1024): 生成される画像の高さ（ピクセル単位）。 width (`int`, *任意*, デフォルトは 1024): 生成される画像の幅（ピクセル単位）。 generator (`Generator`, *任意*): 決定論的な生成のための Torch ジェネレーター。 num_inference_steps (`int`, *任意*, デフォルトは 28): デノイジングのステップ数。 sigmas (`list`, *任意*): カスタムのシグマスケジュール（デフォルトは線形ランプ）。 attention_kwargs (`dict`, *任意*): アテンションプロセッサー用の追加の kwargs。 output_type (`str`, *任意*, 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。

## Krea2TurboModularPipeline[[diffusers.Krea2TurboModularPipeline]]

#### diffusers.Krea2TurboModularPipeline[[diffusers.Krea2TurboModularPipeline]]

```python
diffusers.Krea2TurboModularPipeline(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/v0.43.0/src/diffusers/modular_pipelines/krea2/modular_pipeline.py#L54)

蒸留された Krea 2 turbo (TDM) チェックポイント用の ModularPipeline です。Classifier-free guidance なしで動作するため、negative prompt を受け取らず、guider も持ちません。

## Krea2TurboAutoBlocks[[diffusers.Krea2TurboAutoBlocks]]

#### diffusers.Krea2TurboAutoBlocks[[diffusers.Krea2TurboAutoBlocks]]

```python
diffusers.Krea2TurboAutoBlocks()
```

[ソース](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/modular_pipelines/krea2/modular_blocks_krea2_turbo.py#L102)

蒸留された Krea 2 turbo チェックポイントを使用してテキストから画像を生成するための Auto Modular パイプライン: テキストのエンコード -> コアデノイズ（ガイダンスなし） -> デコード。

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

コンポーネント: text_encoder (`Qwen3VLModel`): Qwen3-VL のテキストエンコーダー。 tokenizer (`AutoTokenizer`): テキストエンコーダーとペアで使用するトークナイザー。 transformer (`Krea2Transformer2DModel`) scheduler (`FlowMatchEulerDiscreteScheduler`) vae (`AutoencoderKLQwenImage`) image_processor (`VaeImageProcessor`)

入力: prompt (`str`): 画像生成をガイドするためのプロンプトまたはプロンプトのリスト。 max_sequence_length (`int`、*省略可*、デフォルトは 512): プロンプトエンコードの最大シーケンス長。 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。 latents (`Tensor`、*省略可*): 画像生成用の事前生成されたノイズ付き潜在変数。 height (`int`、*省略可*、デフォルトは 1024): 生成される画像の高さ（ピクセル単位）。 width (`int`、*省略可*、デフォルトは 1024): 生成される画像の幅（ピクセル単位）。 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_inference_steps (`int`、*省略可*、デフォルトは 8): デノイジングのステップ数。 sigmas (`list`、*省略可*): カスタムのシグマスケジュール（デフォルトは線形ランプ）。 attention_kwargs (`dict`、*省略可*): アテンションプロセッサー用の追加の kwargs。 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。