# AutoencoderKLMiniMaxH3Image

MiniMax의 [MiniMax-H3-Image](https://huggingface.co/MiniMaxAI/MiniMax-H3-Image)에 사용된 KL 손실을 적용한 이미지 변분 오토인코더(VAE) 모델입니다. [AutoencoderKLMiniMaxH3](/docs/diffusers/v0.43.0/ko/api/models/autoencoderkl_minimax_h3#diffusers.AutoencoderKLMiniMaxH3)의 인과적 3D CNN 인코더를 단일 프레임에 대해 실행하고 2D ViT 디코더와 결합하여 공간적으로 16배 압축합니다. `encode`와 `decode`는 4D 이미지 텐서를 입력으로 받아 반환합니다.

[AutoencoderKLMiniMaxH3](/docs/diffusers/v0.43.0/ko/api/models/autoencoderkl_minimax_h3#diffusers.AutoencoderKLMiniMaxH3)와 세 가지 관례를 공유합니다:

- **Latents는 채널별로 정규화됩니다.** `scaling_factor`는 없습니다: 파이프라인은 `(latent - latents_mean) / latents_std`로 인코딩하고 `latent * latents_std + latents_mean`로 디코딩합니다.
- **픽셀 규약은 `[0, 1]` 기본 범위에 대한 ImageNet 정규화 RGB**이며, 일반적인 `[-1, 1]`이 아닙니다. `encode`는 `(pixel - imagenet_mean) / imagenet_std`를 입력으로 기대하고 `decode`는 동일한 공간의 값을 반환하므로, 파이프라인은 후처리 전에 `sample * imagenet_std + imagenet_mean`를 적용하고 `[0, 1]`로 클램프합니다.
- **스페이셜 타일링은 기본적으로 활성화되어 있습니다.** MiniMax-H3-Image는 인코딩과 디코딩 모두에 타일링이 활성화된 상태로 출시되었으며, 공개된 이미지는 블렌디드 타일 이미지이므로 타일링을 비활성화하면 출력이 변경됩니다. 타일 기하학을 변경하려면 `enable_tiling`을, 비활성화하려면 `disable_tiling`을 사용하세요.

```python
import torch
from diffusers import AutoencoderKLMiniMaxH3Image

vae = AutoencoderKLMiniMaxH3Image.from_pretrained(
    "MiniMaxAI/MiniMax-H3-Image", subfolder="vae_diffusers", dtype=torch.float32
).to("cuda")  # or "mps", "xpu", "cpu"
```

## AutoencoderKLMiniMaxH3Image[[diffusers.AutoencoderKLMiniMaxH3Image]]

#### diffusers.AutoencoderKLMiniMaxH3Image[[diffusers.AutoencoderKLMiniMaxH3Image]]

```python
diffusers.AutoencoderKLMiniMaxH3Image(in_channels: int = 3, out_channels: int = 3, latent_channels: int = 24, block_out_channels: tuple[int, ...] = (128, 256, 256, 512, 512, 1024), layers_per_block: int = 2, spatial_downsample_factors: tuple[int, ...] = (2, 2, 2, 2, 1, 1), temporal_downsample_factors: tuple[int, ...] = (1, 2, 2, 1, 1, 1), norm_num_groups: int = 32, norm_eps: float = 1e-06, spatial_padding_mode: str = 'reflect', decoder_num_layers: int = 24, decoder_num_attention_heads: int = 16, decoder_attention_head_dim: int = 64, decoder_num_register_tokens: int = 4, decoder_ffn_mult: int = 4, decoder_rope_theta: float = 100.0, decoder_rope_dim_ratio: float = 0.5, decoder_norm_eps: float = 1e-05, latents_mean: tuple[float, ...] = (0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0, 0.0), latents_std: tuple[float, ...] = (1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0, 1.0))
```

[소스](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/autoencoders/autoencoder_kl_minimax_h3_image.py#L499)

인과적 3D CNN 인코더와 비인과적 2D ViT 디코더를 갖춘 VAE 모델로, [MiniMax-H3-Image](https://huggingface.co/MiniMaxAI)에 사용됩니다. 인코더는 단일 프레임에 대해 실행되는 MiniMax-H3 비디오 인코더이며, 디코더는 이미지 전용 ViT입니다.

이 모델은 [ModelMixin](/docs/diffusers/v0.43.0/ko/api/models/overview#diffusers.ModelMixin)에서 상속됩니다. 모든 모델에 대해 구현된 일반적 메서드(다운로드 또는 저장 등)에 대해서는 상위 클래스 문서를 확인하세요.

Latents는 `scaling_factor`가 아니라 채널별 `latents_mean` / `latents_std`로 정규화됩니다. 파이프라인은 `(latent - latents_mean) / latents_std`로 인코딩하고 `latent * latents_std + latents_mean`로 디코딩합니다.

픽셀 규약은 일반적인 `[-1, 1]`이 아닌 `[0, 1]` 기본 범위의 ImageNet 정규화 RGB입니다. `encode`는 `(pixel - imagenet_mean) / imagenet_std`를 입력으로 기대하며, `decode`는 동일한 공간의 값을 반환하므로, 파이프라인은 후처리 전에 `sample * imagenet_std + imagenet_mean` (평균 `(0.485, 0.456, 0.406)`, 표준편차 `(0.229, 0.224, 0.225)`)를 적용하고 `[0, 1]`로 클램프해야 합니다.

라이브러리의 대부분의 오토인코더와 달리, 공간 타일링은 기본적으로 **켜져 있습니다**. MiniMax-H3-Image는 인코딩과 디코딩 모두에 타일링이 활성화된 상태로 출시되었으며, 공개된 이미지는 블렌딩된 타일 이미지이므로 타일링을 비활성화하면 출력이 변경됩니다. 타일 기하학을 변경하려면 `enable_tiling`을, 비활성화하려면 `disable_tiling`을 사용하세요.

#### encode[[diffusers.AutoencoderKLMiniMaxH3Image.encode]]

```python
encode(x: Tensor, return_dict: bool = True)
```

[소스](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/autoencoders/autoencoder_kl_minimax_h3_image.py#L758)

**매개변수:**

x (`torch.Tensor`) : 입력 이미지 배치, shape `(batch_size, in_channels, height, width)`.

return_dict (`bool`, *선택 사항*, 기본값 `True`) : 일반 튜플 대신 [AutoencoderKLOutput](/docs/diffusers/v0.43.0/ko/api/models/autoencoderkl_qwenimage#diffusers.models.modeling_outputs.AutoencoderKLOutput)을 반환할지 여부.

**반환값:**

인코딩된 이미지의 잠재 분포로, 잠재 변수의 모양은 `(batch_size, latent_channels, height // spatial_compression_ratio, width // spatial_compression_ratio)`입니다. 참고로 MiniMax-H3-Image는 이후에 샘플링된 잠재 변수를 `latents_mean` / `latents_std`로 정규화합니다.

이미지 배치(latents)를 인코딩합니다.

#### decode[[diffusers.AutoencoderKLMiniMaxH3Image.decode]]

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

[소스](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/autoencoders/autoencoder_kl_minimax_h3_image.py#L786)

**매개변수:**

z (`torch.Tensor`) : 입력 배치의 latents, shape `(batch_size, latent_channels, height, width)`.

return_dict (`bool`, *선택 사항*, 기본값 `True`) : 일반 튜플 대신 [DecoderOutput](/docs/diffusers/v0.43.0/ko/api/models/autoencoderkl_qwenimage#diffusers.models.autoencoders.vae.DecoderOutput)를 반환할지 여부.

**반환값:** [DecoderOutput](/docs/diffusers/v0.43.0/ko/api/models/autoencoderkl_qwenimage#diffusers.models.autoencoders.vae.DecoderOutput) 또는 `tuple`

shape가 `(batch_size, out_channels, height * spatial_compression_ratio, width * spatial_compression_ratio)`인 디코딩된 이미지입니다.

latents 배치 디코딩

#### enable_tiling[[diffusers.AutoencoderKLMiniMaxH3Image.enable_tiling]]

```python
enable_tiling(tile_sample_min_height: int | None = None, tile_sample_min_width: int | None = None, tile_sample_min_overlap_height: int | None = None, tile_sample_min_overlap_width: int | None = None)
```

[소스](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/autoencoders/autoencoder_kl_minimax_h3_image.py#L608)

**매개변수:**

tile_sample_min_height (`int`, *선택 사항*) : 픽셀 공간에서의 타일 높이. 이 값보다 높은 프레임은 높이 차원을 따라 분할됩니다.

tile_sample_min_width (`int`, *선택 사항*) : 픽셀 공간에서의 타일 너비. 이 값보다 넓은 프레임은 너비 차원을 따라 분할됩니다.

tile_sample_min_overlap_height (`int`, *선택 사항*) : 두 개의 연속된 세로 타일 사이의 최소 겹침 폭(픽셀 단위).

tile_sample_min_overlap_width (`int`, *선택 사항*) : 두 개의 연속된 수평 타일 사이의 최소 겹침 폭(픽셀 단위).

타일 VAE 인코딩/디코딩 활성화. 이 옵션을 활성화하면 VAE가 프레임을 타일로 분할하고 각 타일을 개별적으로 인코딩 또는 디코딩한 뒤, 겹치는 부분을 선형 블렌딩하여 다시 결합합니다. 이를 통해 메모리 요구량이 줄어들고 더 큰 프레임을 처리할 수 있습니다.

#### forward[[diffusers.AutoencoderKLMiniMaxH3Image.forward]]

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

[소스](https://github.com/huggingface/diffusers/blob/v0.43.0/src/diffusers/models/autoencoders/autoencoder_kl_minimax_h3_image.py#L812)

**매개변수:**

sample (`torch.Tensor`) : 입력 이미지 배치, shape `(batch_size, in_channels, height, width)`.

sample_posterior (`bool`, *선택 사항*, 기본값 `False`) : 후분포의 모드를 취하는 대신 후분포에서 샘플링할지 여부.

generator (`torch.Generator`, *선택 사항*) : `sample_posterior=True`일 때 사용되는 Generator입니다.

return_dict (`bool`, *선택 사항*, 기본값 `True`) : 일반 튜플 대신 [DecoderOutput](/docs/diffusers/v0.43.0/ko/api/models/autoencoderkl_qwenimage#diffusers.models.autoencoders.vae.DecoderOutput)를 반환할지 여부.

**반환값:** [DecoderOutput](/docs/diffusers/v0.43.0/ko/api/models/autoencoderkl_qwenimage#diffusers.models.autoencoders.vae.DecoderOutput) 또는 `tuple`

라운드 트립된 이미지, shape `(batch_size, out_channels, height, width)`.

이미지 배치(batch)를 인코딩한 후 디코딩합니다.