参数

• x (list of torch.Tensor or nested list of torch.Tensor) — 输入潜变量。在标准模式下运行时为扁平列表，在 omni 模式下运行时为嵌套列表。
• t (torch.Tensor) — 用于指示去噪步骤。
• cap_feats (list of torch.Tensor or nested list of torch.Tensor) — 要使用的条件字幕嵌入（从输入条件（例如提示词）计算得出的嵌入）。
• return_dict (bool，可选，默认为 True) — 是否返回 ~models.transformer_2d.Transformer2DModelOutput 而不是普通的元组。
• controlnet_block_samples (dict，键为 int，值为 torch.Tensor，可选) — 从块索引到张量的映射。如果指定，这些张量将被添加到 Transformer 块的残差中。
• siglip_feats（list of list of torch.Tensor，可选）— 可选的 SigLIP 图像特征，用作额外的条件输入。
• image_noise_mask (list of list of int，可选) — 在 omni 模式下，指示每张图像中噪声 token 与干净 token 的逐图像噪声掩码。
• patch_size (int，可选，默认为 2) — 用于将输入潜变量分块的空间块大小。
• f_patch_size (int, 可选，默认为 1) — 用于对输入潜变量进行分块的时间维度分块大小。
• joint_attention_kwargs (dict, 可选) — 一个 kwargs 字典。仅使用其中的 scale 项，用于缩放 LoRA 层。